Aug, 2018

在线对照实验中基于虚假发现率控制的异质化治疗效果检测

PDF
TL;DR本文提出了一种针对用户特征的统计方法，可以系统地识别任何感兴趣的用户组的异质性处理效应，并确定用户因素对 A/B 测试中处理效应的异质性的贡献，并展示了这些方法在虚拟数据和现实世界实验数据中是如何稳健地进行控制，并同时提供有关已识别用户组的异质性的有用见解，从而为 Snap 的许多 A/B 测试的测量提供了支持。
online controlled experimentsa/b testingheterogeneous treatment effectateuser cohort
发现论文，激发创造
  • 在结构不确定性下改进基于数据驱动的异质性处理效应估计

    该研究通过开发一种考虑每个特征值对异质性治疗效果估计的特征选择方法，并从数据中学习相关部分的因果结构，为处理真实世界数据的因果结构问题提供了解决方法。研究结果表明，该方法在任意潜在因果结构下均优于现有的数据驱动异质性治疗效果估计方法，并可降低异质性治疗效果估计误差。

    Jun, 2022

  • 稳健的异质处理效应估计跨越分布外的人群

    我们提出了一种稳定的 Balanced Representation Learning with Hierarchical-Attention Paradigm (SBRL-HAP) 框架，通过消除选择性偏见和解决分布漂移问题，实现了稳定的异质性治疗效果估计，从而提高了模型在现实世界中的适用性。实验结果表明，与现有方法相比，我们的方法在跨越不同人群的稳定 HTE 估计上具有显著的效果改善。

    Jul, 2024

  • 基于数据驱动的异质性治疗效应估计

    本文综述了数据驱动方法在异质性治疗效应估计上的应用，分为基于反事实预测和直接估计因果效应的方法，还有从数据中学习模型结构的结构因果模型方法，并在不同结构模型机制下进行了实证评估。

    Jan, 2023

  • 用于估计异质治疗效果的联邦学习

    使用机器学习方法估计异质治疗效应（HTE）可以在各个领域（如医疗保健、政策制定、教育等）中实现大规模个性化决策。本文提出了一种通过联邦学习在机构之间进行协作学习 HTE 估计器的新框架，实现了在各个机构之间同时学习共同特征表示和不同干预措施下的特定预测函数。我们的框架还通过多任务学习利用表格转换器将多个输入数据映射为特征表示来进行结果预测，并提出了一种适用于异质输入特征空间的个性化转换器的联邦训练方法。实验结果表明了我们的方法的有效性。

    Feb, 2024

  • 将观测与实验数据结合以查找异质性治疗效应

    提出了将实验性数据与观测性时间序列数据相结合的方法，以估计异质性处理效应，应用于 Facebook 页面推荐。

    Nov, 2016

  • 可解释的个性化实验

    本文介绍了 Meta 公司实现和部署生产环境中可扩展、可解释的个性化实验系统，用于学习对黑盒异质性处理效果模型的解释和生成可解释的个性化政策，并在公共数据和 Meta 使用案例上评估系统中使用的方法并讨论开发系统过程中的经验教训。

    Nov, 2021

  • 异质性治疗效果的学习触发器

    本文探讨了异质性治疗效应估计的一个变体问题，提出了一种基于树形学习方法来寻找治疗效应异质性的方法，可以学习和确认个体化的治疗方案，并在多个数据集上的实验证明了该方法比现有方法更为优越。

    Jan, 2019

  • 交互式数据探索中控制虚假发现

    本文提出了一种名为 Aware 系统的解决方案，能够将多重假设检验控制集成到交互式数据探索工具中，通过实验证明 Aware 系统能够帮助专家和初学者高效地控制假发现率。

    Dec, 2016

  • 治疗效果异质性建模和提升建模的统一调查

    这篇论文通过潜在结果框架，提出了个性化医疗、社会研究和个性化营销等领域中利用治疗效果异质性调节来实现不同个体特征之间异质性处理效应估计和提高模型的研究方法，并对现有方法进行了结构性概述和主要应用程序的综述。

    Jul, 2020

  • 高维数据的程序评估和因果推论

    本文提供了针对丰富的数据环境中的各种处理效应，包括局部平均处理效应（LATE）和局部分位数处理效应（LQTE）的高效估计量和诚实置信区间。 我们的框架涵盖了处理的内生接收，异质性处理效应和函数值结果等特殊情况。

    Nov, 2013