Oct, 2022

单元选择：案例研究及与 A/B 测试启发式算法的比较

PDF
TL;DR该研究介绍了 Li 和 Pearl 所定义的单元选择问题，针对有所需反事实行为模式的人进行筛选，并且比较了该模型与 A/B 测试的区别和优越性，同时提供了更多模拟用例，并指出 A/B 测试普遍存在问题。
unit selectioncounterfactual behaviora/b test heuristicsbenefit functionsimulated use cases
发现论文，激发创造
  • 单位选择：从有限人口数据中学习受益函数

    本论文提出了一种机器学习框架，利用可估算的有限人口数据上的福利函数范围来学习特征单元格的福利函数范围，以便轻松获得最大化福利函数的特征。

    Oct, 2022

  • 使用非二进制处理和效果的单元选择

    本论文扩展了利益函数的一般形式，提出了一种算法来测试非二进制利益函数的可识别性，并使用实验和观测数据计算非二进制利益函数的边界。

    Aug, 2022

  • 因果单元选择的算法和复杂性结果

    该研究提出了第一个精确算法，用于在给定广泛类的因果目标函数和完全指定的结构性因果模型下找到最优单元选择，同时提供了基于树宽度的复杂性边界，与最大后验概率推断的一个著名算法相关。

    Feb, 2023

  • 使用可解算算术电路的因果单元选择

    通过将元模型编译成一种特殊的可处理算术电路，我们提出了一种新的单元选择方法，不受约束树宽的限制，并展示了基于该方法解决单元选择问题的数量级速度提升。

    Apr, 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

  • 基于提升度的排名：大规模 A/B 测试的成本效益方法

    开发了一个决策理论框架，通过实验性贝叶斯解决方法，使用贪婪背包算法构建了一个基于贝叶斯规则的正当决策方法，以控制虚警率，具有大规模测试的有效性和优越性。应用实验确认了该方法的有限样本有效性，并讨论了在实际优化实验中的应用。

    Jul, 2024

  • 推荐系统的离线 A/B 测试

    本文介绍了基于历史数据的线下评估方法，计算新推荐系统版本可能带来的收益提升，提供对实际环境下偏差建模的反事实估计量的变量，通过在线广告个性化产品推荐引起商业指标相关性的商业实验来检验这些估计值。

    Jan, 2018

  • 快速可扩展的贝叶斯 AB 测试

    通过使用分层贝叶斯估计方法，我们提出一种解决 AB 测试分析中常见限制的解决方案，包括多因素和因素之间的相关性、早期停止的顺序测试和从过去测试中提取综合全球学习的能力。通过数值模拟和大量实际 AB 测试，我们证明了这种方法的实际价值。

    Jul, 2023

  • A/B 测试的复杂性

    该研究提供了一种改进的 A/B 测试性能的分布依赖性下限方法，特别是在高斯分布和伯努利分布下，为固定置信度和固定预算的情况下提供了复杂性的证明和比较，同时还提供了停止规则。

    May, 2014

  • 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