WWWJan, 2022

LBCF: 一个大规模的预算约束因果森林算法

PDF
TL;DR在大型在线平台上，提供刺激（例如亚马逊优惠券、优步折扣和抖音视频奖励）以增加用户参与和平台收入是一种常见策略，然而如何在预算限制下为每个用户选择适当金额的刺激成为一个有实际意义的研究问题。本文提出了一种基于树的、适用于现代分布式计算系统的大规模预算约束因果森林（LBCF）算法，以及一种新的离线评估方法来解决这个问题。在对一个大型视频平台的实际场景进行模拟分析、离线和在线实验后，这种方法表现出超过各种基于树的最先进基线的优越性，并服务于数亿用户达多个月之久。
incentivesuser engagementbudget-constrained treatment selectionlarge-scale budget-constrained causal forest algorithmperformance assessment
发现论文，激发创造
  • 基于贝叶斯机器学习的不完全遵从下异质因果效应

    本文介绍了一种创新的贝叶斯机器学习算法，可在存在不完善合规性（例如，在不规则的分配机制下）的情况下对异质性因果效应进行可解释的推断。该算法表现出比其他面向因果推断的机器学习技术更好的性能，并在控制叶子级别的错误率（或 - 较宽松地控制错误发现率）的同时发现和估计异质性因果效应。该算法在工具变量场景中揭示了因果效应的异质性，为政策制定者提供了有用的工具。其实证应用评估了增加资金对学生绩效的影响。结果表明，BCF-IV 可用于提高学校资金对学生绩效的有效性。

    May, 2019

  • 使用因果森林估计治疗效果：一个应用

    本研究使用因果森林（causal forests）对来源于《学习心态国家研究》的数据进行了分析，讨论了因果森林使用估计的倾向得分更加具有鲁棒性以及如何处理包含聚类误差的数据等实际和概念上的挑战。

    Feb, 2019

  • 在线监督和无监督学习的边界森林算法

    Boundary Forest (BF) 算法是一个新型的基于实例的学习算法，可用于监督和无监督学习，其中通过构建树的森林来存储先前的实例，以实现增量更新，因此适用于实时应用程序，训练时间复杂度为 O (DNlog (N))，测试为 O (Dlog (N))

    May, 2015

  • BCRLSP：一种用于序列目标推广的离线强化学习框架

    该研究使用离线强化学习模型，针对真实商业环境中的预算限制进行有序定向促销，最大化用户保留率并控制现金奖励成本，在线离线实验验证表明，该方法在长期保留客户方面比基线方法表现更好、成本更低。

    Jul, 2022

  • 受限因果贝叶斯优化

    本文提出了一种受到约束的因果贝叶斯优化方法（cCBO），可在已知因果图中找到优化目标变量并符合某些约束条件的干预措施；我们提出了不同的代理模型，能够融合观察和干预数据，并捕获不同层次的效果相关性。在人工和真实世界的因果图中进行了评估，显示出快速收敛和可行性干预比例间的成功权衡。

    May, 2023

  • 关于 “Bayesian 回归树模型在因果推断中的应用：正则化、混淆和异质效应” 的讨论 ——Hahn, Murray 和 Carvalho

    Hahn et al. (2020) 提供了一项广泛的研究以阐明和评估 BCF 模型在不同环境下的表现，并提供了关于其在因果推断中实用性的详细讨论。

    Aug, 2021

  • 基于约束条件的因果推断的贝叶斯方法

    本论文提出了一种结合贝叶斯方法和约束方法的算法，用于解决从有限数据集进行因果推断的准确性和稳健性问题。

    Oct, 2012

  • 序列有预算学习的置信度预算匹配

    研究决策、预算有限的情况下，如何优化多臂赌博、线性赌博和强化学习等问题，通过自信度与预算匹配（CBM）的方法来解决不确定性问题。

    Feb, 2021

  • 基于课程引导的贝叶斯强化学习的 ROI 受限出价

    该篇论文描述了如何使用部分可观测马尔可夫决策过程方法做到在高度动态的广告市场中，自适应平衡 ROI 约束和目标优化的需求并提出了一种调整策略的贝叶斯强化学习框架。

    Jun, 2022

  • 贝叶斯回归树模型用于因果推断：正则化，混淆和异质效应

    提出了一种针对小效应、异质性效应和强混淆情况下估计异质性治疗效应的新型非线性回归模型，它通过直接将倾向函数估计值纳入响应模型的规范化中，隐式地在回归函数上产生一个协变量依赖的先验，从而回避了标准非线性回归模型在针对混淆强的数据上所产生的治疗效应估计偏倚的问题。同时，这种基于贝叶斯因果森林模型的方法使得治疗效应的异质性能够被分别规范化，从而实现对异质性进行信息收缩。通过对一项关于吸烟对医疗支出因果效应的观察性研究重新分析和广泛的模拟研究，我们表明了这些好处。

    Jun, 2017