Aug, 2023

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

PDF
TL;DR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。
controlled experimentsnetwork interferencemachine learningexposure mappinga/b testing
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

  • 图形群集随机化：网络暴露于多个宇宙

    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。

    May, 2013

  • 解决 A/B 测试中数据训练循环引起的干扰问题：加权训练方法

    我们引入了一种称为加权训练的新方法，通过训练模型预测数据点出现在处理组或对照组的概率，并在模型训练过程中应用加权损失函数，从而解决了现代推荐系统中历史数据训练循环在 A/B 测试中引入的干扰问题，通过模拟研究显示了我们方法的较低偏差和方差。

    Oct, 2023

  • 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

  • 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

  • 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

  • 基于目标学习的网络干扰下的双重稳健因果效应估计

    利用神经网络适应目标学习技术提出的一种新的网络干扰下的双重稳健因果效应估计器，通过将理论条件转化为有针对性的损失函数，保证了估计器的双重稳健性，并通过理论分析揭示了与单一干扰模型相比更快的收敛速度。通过对两个现实世界网络上的半合成数据进行广泛的实验，证明了我们提出的估计器的有效性。

    May, 2024

  • 用于 WLAN 干扰估计的跨网络可转移神经模型

    本文采用基于实际数据的方法，研究 WLAN 中的干扰估计问题。并通过分析各种深度学习体系结构在准确性、泛化性和对异常数据的鲁棒性方面的控制比较，结论是图卷积网络（GCN）表现最佳，但如果不得不给出节点索引，则无法学习特定节点的行为。同时，还验证了 GCN 模型的泛化能力。

    Nov, 2022

  • 在线实验中将主动学习与因果推断相结合的一种新方法

    通过网络干预的主动学习方法，本论文旨在解决因果推断中潜在结果检验框架忽视个体干预以及假设独立处理效应的问题，提出了一种基于网络干预的主动学习方法以估计直接和溢出治疗效果，能够在复杂干预结构下具有高效和精确的效果估计能力。

    Feb, 2024