该研究详细调查了 A/B 测试中的切换设计，通过在基准和新策略之间进行时间交替以评估其对结果平均处理效应（ATE）估计器准确性的影响。研究表明，当奖励误差大多正相关时，切换设计比每日轮换策略的交替日设计更有效；增加策略切换频率往往会降低 ATE 估计器的均方误差（MSE）；然而，当误差不相关时，所有设计都变得渐近等价；而当大多数误差为负相关时，交替日设计成为最优选择。这些洞见为 A/B 测试中实验设计提供重要的指导，同时为强化学习中政策评估的最优设计策略提供了全面的理解。

Mar, 2024

用整个块来进行估计，我们提出了一种替代性的估计器，令人惊讶的是，它在相同的假设下实际上实现了对原始独立于设计的全局平均治疗效应的估计率为 sqrt (log T/T) 的速度。

Dec, 2023

本研究开发并分析了经验贝叶斯斯坦型估计量，用于在大规模在线实验中估计因果效应。我们通过对 Facebook 在 2017 年 4 月至 6 月进行的 17 个大规模实验的研究来展示这些性质。

Apr, 2019

本文提出了一个新的实验设计框架，用于解决隐式模型中的优化资源分配问题，采用了先前不可行的参数和数据之间的互信息作为效用函数，并使用基于贝叶斯优化的方法解决最优设计问题。

Oct, 2018

本文提出了基于贝叶斯推断的最优实验设计的一般框架和理论，用于目标因果性发现。该方法基于次模性提供了可行的实现，并在人工数据集和真实数据集上证明其优越性能。

Feb, 2019

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

本文提出将 Bayesian 因果发现方法融入到贝叶斯优化实验设计框架中，可以在选择干预目标和值的同时，发现具有大规模、非线性结构因果模型的有效性已在合成图和基因调控网络数据集上得到验证。

Mar, 2022

本文提出了一种用于评估和改进因果机器学习模型下上下文治疗分配决策的数据采集框架，采用贝叶斯实验设计用于数据高效率评估和改进过去治疗分配的遗憾。与 A / B 测试等方法相比，我们的方法通过引入基于信息的设计目标来避免分配已知高度次优的治疗方法，同时进行探索以收集相关信息。我们的方法适用于离散和连续治疗，与其他基线相比，模拟研究表明了我们提出的信息理论方法具有更好的性能。

Jul, 2022

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

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