論文の概要: A Two-Part Machine Learning Approach to Characterizing Network
Interference in A/B Testing
- arxiv url: http://arxiv.org/abs/2308.09790v1
- Date: Fri, 18 Aug 2023 19:37:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 19:49:25.657029
- Title: A Two-Part Machine Learning Approach to Characterizing Network
Interference in A/B Testing
- Title(参考訳): a/bテストにおけるネットワーク干渉を特徴付ける2部機械学習手法
- Authors: Yuan Yuan, Kristen M. Altenburger
- Abstract要約: 異種ネットワーク干渉を識別し特徴付ける機械学習に基づく手法を提案する。
我々のアプローチは、潜伏する複雑なネットワーク構造を考慮し、"露光マッピング"のタスクを自動化する。
提案手法の有効性は,2つの合成実験と,100,200万人のInstagramユーザを対象とした実世界の大規模テストにより検証された。
- 参考スコア(独自算出の注目度): 4.725721785542865
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The reliability of controlled experiments, or "A/B tests," can often be
compromised due to the phenomenon of network interference, wherein the outcome
for one unit is influenced by other units. To tackle this challenge, we propose
a machine learning-based method to identify and characterize heterogeneous
network interference. Our approach accounts for latent complex network
structures and automates the task of "exposure mapping'' determination, which
addresses the two major limitations in the existing literature. We introduce
"causal network motifs'' and employ transparent machine learning models to
establish the most suitable exposure mapping that reflects underlying network
interference patterns. Our method's efficacy has been validated through
simulations on two synthetic experiments and a real-world, large-scale test
involving 1-2 million Instagram users, outperforming conventional methods such
as design-based cluster randomization and analysis-based neighborhood exposure
mapping. Overall, our approach not only offers a comprehensive, automated
solution for managing network interference and improving the precision of A/B
testing results, but it also sheds light on users' mutual influence and aids in
the refinement of marketing strategies.
- Abstract(参考訳): 制御された実験、または「a/bテスト」の信頼性は、ネットワーク干渉現象によってしばしば損なわれることがある。
そこで本研究では,異種ネットワーク干渉を識別し特徴付ける機械学習手法を提案する。
提案手法は,潜伏する複雑なネットワーク構造を考慮し,既存の文献における2つの大きな制約に対処する「露出マッピング」決定のタスクを自動化し,ネットワーク干渉パターンを反映する最も適切な露光マッピングを確立するために,透明な機械学習モデルを採用する。
提案手法の有効性は,2つの合成実験と,11~2百万人のInstagramユーザを対象とした実世界の大規模テストによるシミュレーションにより検証された。
全体として、当社のアプローチは、ネットワーク干渉の管理とA/Bテスト結果の精度向上のための包括的な自動化ソリューションを提供するだけでなく、ユーザの相互影響やマーケティング戦略の洗練への支援にも光を当てています。
関連論文リスト
- Doubly Robust Causal Effect Estimation under Networked Interference via Targeted Learning [24.63284452991301]
ネットワーク干渉下での2つの頑健な因果効果推定器を提案する。
具体的には,対象とする学習手法をネットワーク干渉設定に一般化する。
我々は、同定された理論条件を目標損失に変換することによって、エンドツーエンドの因果効果推定器を考案する。
論文 参考訳(メタデータ) (2024-05-06T10:49:51Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳(メタデータ) (2024-01-22T14:16:37Z) - Exploring the Relationship between Samples and Masks for Robust Defect
Localization [1.90365714903665]
本稿では,モデルプロセスなしで欠陥パターンを直接検出する一段階フレームワークを提案する。
欠陥の位置を示す可能性のある明示的な情報は、直接マッピングを学ぶことを避けるために意図的に除外される。
その結果,提案手法はF1-ScoreのSOTA法よりも2.9%高い値を示した。
論文 参考訳(メタデータ) (2023-06-19T06:41:19Z) - DRFLM: Distributionally Robust Federated Learning with Inter-client
Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。
上記の2つの課題を同時に解決するための一般的な枠組みを提案する。
我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文 参考訳(メタデータ) (2022-04-16T08:08:29Z) - Training a Bidirectional GAN-based One-Class Classifier for Network
Intrusion Detection [8.158224495708978]
既存の生成逆数ネットワーク(GAN)は、主に実物から合成サンプルを作成するために使用される。
提案手法では,Bidirectional GAN (Bi-GAN) に基づく一級分類器として,訓練されたエンコーダ識別器を構築した。
実験結果から,提案手法はネットワーク侵入検出タスクにおいて有効であることが示唆された。
論文 参考訳(メタデータ) (2022-02-02T23:51:11Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。
実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
論文 参考訳(メタデータ) (2021-01-28T16:38:26Z) - DNS Covert Channel Detection via Behavioral Analysis: a Machine Learning
Approach [0.09176056742068815]
本稿では,ネットワーク監視システムから受動的に抽出されたDNSネットワークデータの解析に基づいて,効果的な隠蔽チャネル検出手法を提案する。
提案手法は15日間の実験実験で評価され,最も関連する流出・トンネル攻撃をカバーするトラフィックを注入した。
論文 参考訳(メタデータ) (2020-10-04T13:28:28Z) - Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。
我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。
本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-08-01T00:58:54Z) - A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。
提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
論文 参考訳(メタデータ) (2020-06-08T02:39:59Z)
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。