論文の概要: Privacy Aware Experiments without Cookies

• arxiv url: http://arxiv.org/abs/2211.03758v1
• Date: Thu, 3 Nov 2022 23:44:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 18:40:27.594614
• Title: Privacy Aware Experiments without Cookies
• Title（参考訳）: クッキーのないプライバシアウェア実験
• Authors: Shiv Shankar, Ritwik Sinha, Saayan Mitra, Moumita Sinha, Viswanathan Swaminathan, Sridhar Mahadevan
• Abstract要約: 2つのブランドは、A/Bテストで顧客のための代替Webエクスペリエンスを共同でテストしたい。 このような共同テストは、現在、サードパーティ製クッキーを使用して実施されており、各ブランドは、他のウェブサイトへの訪問者の身元に関する情報を持っている。 サードパーティのクッキーの即時除去により、このようなA/Bテストは不可能になる。 そこで我々は,2つのブランドが実験の高レベルな集約パラメータに同意するだけで,代替体験をテストするための2段階の実験設計を提案する。
• 参考スコア（独自算出の注目度）: 13.488622527004082
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Consider two brands that want to jointly test alternate web experiences for their customers with an A/B test. Such collaborative tests are today enabled using \textit{third-party cookies}, where each brand has information on the identity of visitors to another website. With the imminent elimination of third-party cookies, such A/B tests will become untenable. We propose a two-stage experimental design, where the two brands only need to agree on high-level aggregate parameters of the experiment to test the alternate experiences. Our design respects the privacy of customers. We propose an estimater of the Average Treatment Effect (ATE), show that it is unbiased and theoretically compute its variance. Our demonstration describes how a marketer for a brand can design such an experiment and analyze the results. On real and simulated data, we show that the approach provides valid estimate of the ATE with low variance and is robust to the proportion of visitors overlapping across the brands.
• Abstract（参考訳）: 顧客のためにA/Bテストで代替Webエクスペリエンスを共同テストしたいブランドを2つ考えてみましょう。 このようなコラボレーティブなテストは、今日では \textit{third-party cookies} を使って有効になっている。 サードパーティのクッキーの即時除去により、このようなA/Bテストは不可能になる。 そこで,両ブランドは実験のハイレベルな集約パラメータにのみ同意し,代替体験をテストできる2段階実験設計を提案する。 私たちのデザインは顧客のプライバシーを尊重する。 平均治療効果 (ate) を推定し, 偏りが無く, 理論的に分散を計算した。 当社のデモでは、ブランドのマーケターがこのような実験をどのように設計し、結果を分析できるかを説明します。 実データおよびシミュレーションデータから,この手法が低分散のATEの有効推定値を提供し,ブランド間で重複するビジターの割合に頑健であることを示す。

関連論文リスト

• Fact Checking Beyond Training Set [64.88575826304024]
  本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。 本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。 次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
  論文  参考訳（メタデータ） (2024-03-27T15:15:14Z)
• FedFixer: Mitigating Heterogeneous Label Noise in Federated Learning [15.382625332503125]
  フェデレートラーニング(FL)はその性能のラベル品質に大きく依存する。 異種ラベルノイズにおけるクライアント固有のサンプルによる高い損失は、クライアント固有のサンプルとノイズのあるラベルのサンプルを区別する上での課題となる。 我々はFedFixerを提案し、そこでパーソナライズされたモデルがグローバルモデルと協調してクライアント固有のクリーンなサンプルを効果的に選択する。
  論文  参考訳（メタデータ） (2024-03-25T09:24:05Z)
• AiGen-FoodReview: A Multimodal Dataset of Machine-Generated Restaurant Reviews and Images on Social Media [57.70351255180495]
  AiGen-FoodReviewは、20,144のレストランレビューイメージペアからなるデータセットである。 FLAVAで99.80%のマルチモーダル精度を達成し,一様・多モーダル検出モデルについて検討する。 この論文は、データセットをオープンソース化し、偽レビュー検出装置を公開し、非モーダルかつマルチモーダルな偽レビュー検出タスクでの使用を推奨し、合成データと真正データにおける言語的特徴と視覚的特徴を評価することで貢献する。
  論文  参考訳（メタデータ） (2024-01-16T20:57:36Z)
• Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
  同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。 また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。 様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
  論文  参考訳（メタデータ） (2023-02-22T14:50:24Z)
• Assign Experiment Variants at Scale in Online Controlled Experiments [1.9205538784019935]
  オンライン制御実験(A/Bテスト)は、テクノロジー企業における新製品機能の影響を学ぶための金の標準となっている。 テクノロジー企業は大規模にA/Bテストを実行します -- 数千、あるいは数千のA/Bテストを同時に実行します。 ランダムな代入を検証するための新しい代入アルゴリズムと統計的試験を提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:45:12Z)
• Fair Effect Attribution in Parallel Online Experiments [57.13281584606437]
  A/Bテストは、オンラインサービスで導入された変更の影響を確実に特定する目的で役立ちます。 オンラインプラットフォームでは,ユーザトラフィックをランダムに分割して多数の同時実験を行うのが一般的である。 異なるグループ間の完全なランダム化にもかかわらず、同時実験は互いに相互作用し、平均的な集団の結果に負の影響をもたらす。
  論文  参考訳（メタデータ） (2022-10-15T17:15:51Z)
• Clustering-based Imputation for Dropout Buyers in Large-scale Online Experimentation [4.753069295451989]
  オンライン実験では、適切な指標(例えば購入)が仮説を支持し、意思決定プロセスを強化する強力な証拠を提供する。 本研究では,ドロップアウト購入者の概念を導入し,不完全なメトリック値を持つユーザを,訪問者とドロップアウト購入者という2つのグループに分類する。 不完全なメトリクスを分析するために、$k$-nearest 隣人を用いたクラスタリングベースの計算法を提案する。
  論文  参考訳（メタデータ） (2022-09-09T01:05:53Z)
• Are Missing Links Predictable? An Inferential Benchmark for Knowledge Graph Completion [79.07695173192472]
  InferWikiは推論能力、仮定、パターンの既存のベンチマークを改善している。 各テストサンプルは、トレーニングセットの支持データで予測可能である。 実験では,大きさや構造が異なるInferWikiの2つの設定をキュレートし,比較データセットとしてCoDExに構築プロセスを適用する。
  論文  参考訳（メタデータ） (2021-08-03T09:51:15Z)
• Comparison Lift: Bandit-based Experimentation System for Online Advertising [10.499720681099452]
  Comparison Liftは、JD.comのオンライン広告オーディエンスとクリエイティビティをテストするための実験用アズ・ア・サービス(E)アプリケーションである。 固定サンプルA/Bテストに重点を置く他の多くのEツールとは異なり、Spectration Liftは独自のバンディットベースの実験アルゴリズムをデプロイする。 製品における適応設計は, 固定サンプルA/B設計と比較して, 平均クリック数が27%増加したと推定した。
  論文  参考訳（メタデータ） (2020-09-16T19:08:44Z)
• Two-Sample Testing on Ranked Preference Data and the Role of Modeling Assumptions [57.77347280992548]
  本稿では,ペアワイズ比較データとランキングデータのための2サンプル試験を設計する。 私たちのテストでは、基本的に分布に関する仮定は必要ありません。 実世界のペアワイズ比較データに2サンプルテストを適用することで、人によって提供される評価とランキングは、実際は異なる分散である、と結論付ける。
  論文  参考訳（メタデータ） (2020-06-21T20:51:09Z)

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。