論文の概要: Near-Optimal Experimental Design Under the Budget Constraint in Online Platforms

• arxiv url: http://arxiv.org/abs/2302.05005v1
• Date: Fri, 10 Feb 2023 01:24:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-13 16:58:12.851795
• Title: Near-Optimal Experimental Design Under the Budget Constraint in Online Platforms
• Title（参考訳）: オンラインプラットフォームにおける予算制約下での最適に近い実験設計
• Authors: Yongkang Guo, Yuan Yuan, Jinshan Zhang, Yuqing Kong, Zhihua Zhu, Zheng Cai
• Abstract要約: A/Bテスト(英: A/B testing)は、オンラインプラットフォームにおけるアルゴリズムのパフォーマンスを因果的に比較する、ゴールドスタンダードの手法である。 我々は,購入者が限られた予算を持つ2面プラットフォームを記述するモデルを開発した。 最小のバイアスと最小の分散を保証できる最適な実験設計を提供する。
• 参考スコア（独自算出の注目度）: 13.203565751596221
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A/B testing, or controlled experiments, is the gold standard approach to causally compare the performance of algorithms on online platforms. However, conventional Bernoulli randomization in A/B testing faces many challenges such as spillover and carryover effects. Our study focuses on another challenge, especially for A/B testing on two-sided platforms -- budget constraints. Buyers on two-sided platforms often have limited budgets, where the conventional A/B testing may be infeasible to be applied, partly because two variants of allocation algorithms may conflict and lead some buyers to exceed their budgets if they are implemented simultaneously. We develop a model to describe two-sided platforms where buyers have limited budgets. We then provide an optimal experimental design that guarantees small bias and minimum variance. Bias is lower when there is more budget and a higher supply-demand rate. We test our experimental design on both synthetic data and real-world data, which verifies the theoretical results and shows our advantage compared to Bernoulli randomization.
• Abstract（参考訳）: A/Bテスト(英: A/B testing)は、オンラインプラットフォームにおけるアルゴリズムのパフォーマンスを因果的に比較するためのゴールドスタンダードの手法である。 しかし、A/Bテストにおける従来のベルヌーイのランダム化は、流出や輸送効果といった多くの課題に直面している。 我々の研究は、特に予算の制約である両側プラットフォームでのA/Bテストにおいて、別の課題に焦点を当てています。 従来のa/bテストは適用できない可能性があり、2種類のアロケーションアルゴリズムが相反する可能性があり、同時に実装された場合、一部のバイヤーが予算を超える可能性があるためである。 我々は,購入者が限られた予算を持つ2面プラットフォームを記述するモデルを開発した。 次に,小バイアスと最小分散を保証する最適実験設計を提案する。 予算が増え、供給需要率が高くなると、バイアスは少なくなる。 我々は合成データと実世界のデータの両方で実験設計をテストし,理論結果を検証し,ベルヌーイのランダム化と比較した。

関連論文リスト

• Towards Understanding Dual BN In Hybrid Adversarial Training [79.92394747290905]
  モデルトレーニングにおけるアフィンパラメータのアンタングリングよりも,アンタングリング統計がより少ない役割を担っていることを示す。 本稿では,ハイブリッドAT改善のための実証的基礎と統一的なフレームワークとして機能する2タスク仮説を提案する。
  論文  参考訳（メタデータ） (2024-03-28T05:08:25Z)
• Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
  我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。 特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
  論文  参考訳（メタデータ） (2023-12-19T13:17:43Z)
• Towards Optimal Statistical Watermarking [95.46650092476372]
  仮説テスト問題として定式化して統計的透かしを研究する。 我々の定式化の鍵は、出力トークンと拒絶領域の結合である。 一般仮説テスト設定において,UMP(Uniformly Most Powerful)の透かしを特徴付ける。
  論文  参考訳（メタデータ） (2023-12-13T06:57:00Z)
• Deep anytime-valid hypothesis testing [29.273915933729057]
  非パラメトリックなテスト問題に対する強力なシーケンシャルな仮説テストを構築するための一般的なフレームワークを提案する。 テスト・バイ・ベッティング・フレームワーク内で、機械学習モデルの表現能力を活用するための原則的なアプローチを開発する。 合成および実世界のデータセットに関する実証的な結果は、我々の一般的なフレームワークを用いてインスタンス化されたテストが、特殊なベースラインと競合することを示している。
  論文  参考訳（メタデータ） (2023-10-30T09:46:19Z)
• Task-specific experimental design for treatment effect estimation [59.879567967089145]
  因果推論の標準は大規模ランダム化試験(RCT)である。 近年の研究では、RCTのよりサンプル効率の良い代替案が提案されているが、これらは因果効果を求める下流の応用には適用できない。 実験的な設計のためのタスク固有のアプローチを開発し、特定の下流アプリケーションにカスタマイズされたサンプリング戦略を導出する。
  論文  参考訳（メタデータ） (2023-06-08T18:10:37Z)
• A Common Misassumption in Online Experiments with Machine Learning Models [1.52292571922932]
  変種は一般的にプールデータを使って学習するため、モデル干渉の欠如は保証できない、と我々は主張する。 実践者や研究文献に対する影響について論じる。
  論文  参考訳（メタデータ） (2023-04-21T11:36:44Z)
• 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)
• Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
  制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。 このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。 上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
  論文  参考訳（メタデータ） (2023-02-02T16:30:33Z)
• Hypothesis Testing for Equality of Latent Positions in Random Graphs [0.2741266294612775]
  2つの頂点 $i$ と $j$th が、おそらくスケーリングまで、同じ潜在位置を持つという仮説テストの問題を考える。 グラフの隣接性または正規化ラプラシアンスペクトル埋め込みのいずれかのi$th行とj$th行の間の経験的マハラノビス距離に基づくいくつかのテスト統計について提案する。 これらのテスト統計を用いて、標準ブロックモデルとその次数補正変種を選択する際のモデル選択問題に対処する。
  論文  参考訳（メタデータ） (2021-05-23T01:27:23Z)
• TSEC: a framework for online experimentation under experimental constraints [1.1470070927586016]
  トンプソンサンプリングは、複数の武装したバンディット問題を解決する一般的なアルゴリズムである。 今回提案するThompson Sampling under Experimental Constraints (TSEC)法は、このいわゆる「武器予算制約」に対処するものである。 我々は,arm予算制約を伴う2つの問題に対するtsecの有効性を実証する。
  論文  参考訳（メタデータ） (2021-01-17T05:04:12Z)

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。