WSDMNov, 2022

无需 Cookie 的隐私感知实验

PDF
TL;DR研究提出了一种两阶段实验设计方案，通过只需两个品牌在实验中仅需要协商高级别的集合参数来测试备选方案，从而解决了第三方 cookie 即将消失的问题，该设计同时还保护了客户的隐私。实验结果表明：研究的新方法可以提供具有低方差的 ATE 的有效估计，并且不受品牌重叠比例的影响。
a/b testthird-party cookiesexperimental designaverage treatment effectprivacy
发现论文，激发创造
  • 不同 ially 私志的多地点治疗效果估计

    通过联邦学习和差分隐私，我们提供了一种在多个医疗机构之间进行平均治疗效果估计 (ATE) 的联邦分析方法，解决了医疗领域中不同数据源之间的隐私保护和数据利用的问题。

    Oct, 2023

  • 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

    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。

    Aug, 2018

  • 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

  • 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

  • 在线 A/B 测试中未来用户活动的改进预测

    在线随机实验和 A/B 测试中，参与者包含率的准确预测是至关重要的，本文提出了一种新颖、直接且可扩展的贝叶斯非参数方法，用于预测在线 A/B 测试中个体接受干预的比率，并展示了其在实验和模拟数据上相对于现有方法的卓越性能。

    Feb, 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

  • 自适应实验中的差分隐私 CATE 估计

    该研究旨在研究上下文匹配实验中社会福利损失与统计功效之间的折中，并提出了一个多目标优化问题的上下界匹配方法，以及结合隐私保护措施的差分隐私算法，并推导出了估计器的渐近正态性质。

    Jan, 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

  • 活跃的自适应实验设计用于具备协变量选择的治疗效果估计

    设计了一种自适应实验方法来有效估计平均处理效应 (ATE)，并通过优化协变量密度和倾向分数，减少了渐近方差。

    Mar, 2024

  • 通过贝叶斯赌博算法在线评估定向广告受众

    该论文介绍了一种在分割目标受众群体并在线实验中解决数字广告匹配问题的上下文强化学习算法，并在中国电商平台 JD.com 上实现

    Jul, 2019