論文の概要: Minimizing Interference and Selection Bias in Network Experiment Design

• arxiv url: http://arxiv.org/abs/2004.07225v1
• Date: Wed, 15 Apr 2020 17:34:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 03:16:01.900229
• Title: Minimizing Interference and Selection Bias in Network Experiment Design
• Title（参考訳）: ネットワーク実験設計における干渉と選択バイアスの最小化
• Authors: Zahra Fatemi, Elena Zheleva
• Abstract要約: 干渉や選択バイアスを最小化するネットワーク実験設計の原理的枠組みを提案する。 実世界の多くのデータセットに対する実験により,提案手法が因果効果推定の誤差を著しく低減させることが示された。
• 参考スコア（独自算出の注目度）: 14.696233190562939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current approaches to A/B testing in networks focus on limiting interference, the concern that treatment effects can "spill over" from treatment nodes to control nodes and lead to biased causal effect estimation. Prominent methods for network experiment design rely on two-stage randomization, in which sparsely-connected clusters are identified and cluster randomization dictates the node assignment to treatment and control. Here, we show that cluster randomization does not ensure sufficient node randomization and it can lead to selection bias in which treatment and control nodes represent different populations of users. To address this problem, we propose a principled framework for network experiment design which jointly minimizes interference and selection bias. We introduce the concepts of edge spillover probability and cluster matching and demonstrate their importance for designing network A/B testing. Our experiments on a number of real-world datasets show that our proposed framework leads to significantly lower error in causal effect estimation than existing solutions.
• Abstract（参考訳）: ネットワークにおけるA/Bテストへの現在のアプローチは、干渉の制限、治療効果が治療ノードから制御ノードへ"スパイルオーバー"し、バイアス付き因果効果の推定につながるという懸念に焦点を当てている。 ネットワーク実験の設計において顕著な方法は、疎結合クラスタを識別し、クラスタランダム化がノードの処理と制御を規定する2段階のランダム化に依存する。 ここでは、クラスタランダム化が十分なノードランダム化を保証せず、処理ノードと制御ノードが異なるユーザの集団を表す選択バイアスをもたらす可能性があることを示す。 この問題に対処するために,干渉や選択バイアスを最小化するネットワーク実験設計の原理的枠組みを提案する。 本稿では,エッジの流出確率とクラスタマッチングの概念を導入し,ネットワークA/Bテストの設計の重要性を示す。 実世界の多くのデータセットに対する実験により,提案するフレームワークは既存のソリューションよりも因果効果推定の誤差が著しく低いことが示された。

関連論文リスト

• Cascade-based Randomization for Inferring Causal Effects under Diffusion Interference [15.7485894481935]
  クラスタベースのランダム化アプローチは、干渉がカスケード内で伝播するときに性能が低下する。 本稿では,カスケードシードノードから処理の割り当てを開始し,その割り当てを複数のホップに伝達するカスケードネットワーク実験設計を提案する。
  論文  参考訳（メタデータ） (2024-05-20T19:24:10Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Layer Adaptive Node Selection in Bayesian Neural Networks: Statistical Guarantees and Implementation Details [0.5156484100374059]
  スパースディープニューラルネットワークは、大規模研究において予測モデル構築に効率的であることが証明されている。 本稿では,スパイク・アンド・スラブ型ガウス先行法を用いて,訓練中のノード選択を可能にするベイズスパース解を提案する。 本研究は, 先行パラメータのキャラクタリゼーションとともに, 変動的後続一貫性の基本的な結果を確立する。
  論文  参考訳（メタデータ） (2021-08-25T00:48:07Z)
• Deep Random Projection Outlyingness for Unsupervised Anomaly Detection [1.2249546377051437]
  元のランダムプロジェクションアウトライジングネス尺度をニューラルネットワークに修正して関連付け、教師なし異常検出方法を得る。 提案したニューラルネットワークアプローチの性能は、最先端の異常検出手法に匹敵する。
  論文  参考訳（メタデータ） (2021-06-08T14:13:43Z)
• Adversarial Examples Detection with Bayesian Neural Network [57.185482121807716]
  本稿では,ランダムな成分が予測器の滑らかさを向上できるという観測によって動機づけられた敵の例を検出するための新しい枠組みを提案する。 本稿では,BATer を略した新しいベイズ対向型サンプル検出器を提案し,対向型サンプル検出の性能を向上させる。
  論文  参考訳（メタデータ） (2021-05-18T15:51:24Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Sampling-free Variational Inference for Neural Networks with Multiplicative Activation Noise [51.080620762639434]
  サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。 提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
  論文  参考訳（メタデータ） (2021-03-15T16:16:18Z)
• Bayesian Nested Neural Networks for Uncertainty Calibration and Adaptive Compression [40.35734017517066]
  ネストネットワーク(Nested Network)またはスリムブルネットワーク(Slimmable Network)は、テスト期間中にアーキテクチャを即座に調整できるニューラルネットワークである。 最近の研究は、トレーニング中に重要なレイヤのノードを順序付けできる"ネストされたドロップアウト"層に焦点を当てている。
  論文  参考訳（メタデータ） (2021-01-27T12:34:58Z)
• Ramifications of Approximate Posterior Inference for Bayesian Deep Learning in Adversarial and Out-of-Distribution Settings [7.476901945542385]
  ベイジアン深層学習モデルが従来のニューラルネットワークよりわずかに優れていることを示す。 予備的な調査は、初期化、アーキテクチャ、アクティベーション関数の選択によるバイアスの潜在的固有の役割を示している。
  論文  参考訳（メタデータ） (2020-09-03T16:58:15Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)
• Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference [73.23326654892963]
  本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。 本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
  論文  参考訳（メタデータ） (2020-03-02T15:21:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。