May, 2013

图形群集随机化：网络暴露于多个宇宙

PDF
TL;DR该研究提出了一种利用图聚类进行平均处理效应分析的新方法，包括确定被称作网络曝光的个体的图论条件，并使用聚类随机化算法计算每个顶点在多种曝光情况下的概率，并使用 Horvitz-Thompson 估计量提供无偏的效应估计。同时，该研究还展示了正确聚类随机化可以大大降低在干扰下实验中平均处理效应的估计方差。
发现论文，激发创造
  • 网络实验设计中的干扰和选择偏差最小化

    提出了一种在网络中设计 A/B 测试的方法，通过最小化干扰和选择偏差，利用边传播概率和集群匹配等考虑因素，重新设计了基于集群随机化的方法，结果表明该方法能够显著降低因干扰而导致的因果效应估计误差。

    Apr, 2020

  • 具有部分网络信息的干扰下的 A/B 测试

    本研究提出了一种名为 UNITE 的新估计方法，可以在不知道具体底层网络的情况下，仅依赖于图中任意主体的邻居超集的信息，来识别全局平均治疗效应（GATE）。通过理论分析和大量实验证明，所提出的方法在比较中表现更好。

    Apr, 2024

  • 级联式随机化在扩散干扰下推断因果效应

    通过利用干预结构减小干扰和限制级联增长，我们提出了基于级联的网络实验设计框架，用于估计网络数据中的因果效应。

    May, 2024

  • 网络实验的设计与分析：降低干扰误差

    评估减少网络干扰的随机实验设计和分析方法，通过仿真实验证明这些方法能够在各种网络结构和社会行为中显著地减少偏差和误差，特别是对于网络中存在更多聚类的情况和数据生成过程中存在更强的治疗直接效应和单位之间更强的相互作用的情况。

    Apr, 2014

  • 一种两部分的机器学习方法用于表征 A/B 测试中的网络干扰

    提出了一种基于机器学习的方法来识别和表征异质网络干扰，该方法通过引入因果网络模式和透明机器学习模型来建立反映潜在网络干扰模式的最适 exposure mapping，为管理网络干扰和提高 A/B 测试精确性提供了全面的自动化解决方案。

    Aug, 2023

  • 在线机器学习实验中的常见误解

    本文讨论了机器学习模型在线实验所面临的问题，指出常用的 A/B-tests 并不能保证无偏估计。因此，文章提出了对从事此领域的从业人员和研究人员的影响及解决方案。

    Apr, 2023

  • 网络因果效应的自动 G - 计算

    该论文提出了一种基于网络分析的新的统计方法，可以用于推断出现具有干扰和长程依赖的网络单元的平均因果效应，并通过自动 - g 计算算法进行推断。

    Sep, 2017

  • 利用网络统计量进行大型随机图的两样本检验

    本文提出了在假设检验中对比 Facebook 和 LinkedIn 上的友谊网络的解决方案，利用网络统计学衡量网络。通过对网络统计学的集中度进行通用表述，揭示了一个自然的对策，实现了一致的双样本测试。本文还证明，对于某些网络统计量，所提出的测试是最小最优的。

    May, 2017

  • 在网络下异质干扰下学习个体化治疗效果

    本论文提出了一种新算法 ——Dual Weighting Regression (DWR)，其通过学习注意力权重和样本权重来解决网络场景下的干扰异质性问题，同时实验表明该算法优于目前的其他算法。

    Oct, 2022

  • 使用干预学习和测试因果模型

    本文研究了因果贝叶斯网络上的测试和学习问题，并提出了有效的算法来测试两个未知因果贝叶斯网络的相似性和学习因果贝叶斯网络。

    May, 2018