主动因果实验员 (ACE)：通过直接偏好优化学习干预策略

发现因果关系需受控实验，但实验者面临序列决策难题：每次干预揭示的信息应指导后续尝试。传统方法孤立处理决策，无法从经验中学习自适应策略。本文提出主动因果实验员（ACE），将实验设计建模为序列策略。针对绝对信息增益递减导致价值型强化学习不稳定的问题，ACE 利用直接偏好优化，通过成对干预比较而非非平稳奖励幅度进行学习。实验表明，ACE 在同等预算下较基线提升 70-71%，并能自主发现针对碰撞机制的理论驱动策略。