論文の概要: Conducting A/B Experiments with a Scalable Architecture

• arxiv url: http://arxiv.org/abs/2309.13450v1
• Date: Sat, 23 Sep 2023 18:38:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 06:25:37.468644
• Title: Conducting A/B Experiments with a Scalable Architecture
• Title（参考訳）: スケーラブルなアーキテクチャでa/b実験を行う
• Authors: Andrew Hornback, Sungeun An, Scott Bunin, Stephen Buckley, John Kos, Ashok Goel
• Abstract要約: A/B実験は、2つの異なる実験グループにおいて1つ以上の変数を変更する効果を比較するために一般的に用いられる。 ドメインに依存しないA/B実験を支援するソフトウェアアーキテクチャを開発するための4つの基本的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.6990493129893112
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A/B experiments are commonly used in research to compare the effects of changing one or more variables in two different experimental groups - a control group and a treatment group. While the benefits of using A/B experiments are widely known and accepted, there is less agreement on a principled approach to creating software infrastructure systems to assist in rapidly conducting such experiments. We propose a four-principle approach for developing a software architecture to support A/B experiments that is domain agnostic and can help alleviate some of the resource constraints currently needed to successfully implement these experiments: the software architecture (i) must retain the typical properties of A/B experiments, (ii) capture problem solving activities and outcomes, (iii) allow researchers to understand the behavior and outcomes of participants in the experiment, and (iv) must enable automated analysis. We successfully developed a software system to encapsulate these principles and implement it in a real-world A/B experiment.
• Abstract（参考訳）: A/B実験は、2つの異なる実験グループ(制御グループと治療グループ)で1つ以上の変数を変更する効果を比較するために一般的に用いられる。 A/B実験を使うことの利点は広く知られ、受け入れられているが、そのような実験を迅速に実施するためのソフトウェアインフラシステムを構築するための原則的なアプローチについては合意が得られていない。 我々は、ドメインに依存しないa/b実験をサポートするソフトウェアアーキテクチャを開発するための4原則アプローチを提案し、これらの実験を成功させるために必要なリソース制約を緩和するのに役立つ。 i) A/B実験の典型的な性質を保たなければならない。 (二 問題解決活動及び成果の把握。) 三 実験参加者の行動及び成果を研究者が理解できるようにすること。 (iv)自動分析を行なわなければならない。 我々は,これらの原則をカプセル化し,実世界のa/b実験で実装するソフトウェアシステムの開発に成功した。

関連論文リスト

• Adaptive Experimentation When You Can't Experiment [55.86593195947978]
  本稿では,Emphcon founded the pure exploration transductive linear bandit (textttCPET-LB) problem。 オンラインサービスは、ユーザーを特定の治療にインセンティブを与える、適切にランダム化された励ましを利用することができる。
  論文  参考訳（メタデータ） (2024-06-15T20:54:48Z)
• MLXP: A Framework for Conducting Replicable Experiments in Python [63.37350735954699]
  MLXPはPythonをベースとした,オープンソースの,シンプルで,軽量な実験管理ツールである。 実験プロセスを最小限のオーバーヘッドで合理化し、高いレベルの実践的オーバーヘッドを確保します。
  論文  参考訳（メタデータ） (2024-02-21T14:22:20Z)
• Adaptive Instrument Design for Indirect Experiments [48.815194906471405]
  RCTとは異なり、間接的な実験は条件付き機器変数を利用して治療効果を推定する。 本稿では,データ収集ポリシーを適応的に設計することで,間接実験におけるサンプル効率の向上に向けた最初のステップについて述べる。 我々の主な貢献は、影響関数を利用して最適なデータ収集ポリシーを探索する実用的な計算手順である。
  論文  参考訳（メタデータ） (2023-12-05T02:38:04Z)
• Opportunities for Adaptive Experiments to Enable Continuous Improvement in Computer Science Education [7.50867730317249]
  適応実験では、異なる条件が学生に展開されるにつれて、データを分析・活用する。 これらのアルゴリズムは、その後の学生との相互作用において最も効果的な条件を動的に展開することができる。 本研究は, ブリッジング研究における適応実験の重要性を探求し, 継続的な改善を実現するための方法である。
  論文  参考訳（メタデータ） (2023-10-18T20:54:59Z)
• PyExperimenter: Easily distribute experiments and track results [63.871474825689134]
  PyExperimenterは、アルゴリズムの実験的な研究結果のセットアップ、ドキュメンテーション、実行、およびその後の評価を容易にするツールである。 人工知能の分野で研究者が使用することを意図しているが、それらに限定されていない。
  論文  参考訳（メタデータ） (2023-01-16T10:43:02Z)
• Adaptive Experimental Design and Counterfactual Inference [20.666734673282495]
  本稿では, 適応型実験システムを用いた産業環境におけるナレーションの課題と落とし穴について, 教訓を共有した。 我々は,これらの経験に基づいて,対実的推論のための適応型実験設計フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-10-25T22:29:16Z)
• Experiments as Code: A Concept for Reproducible, Auditable, Debuggable, Reusable, & Scalable Experiments [7.557948558412152]
  実験研究における一般的な関心事は、監査可能性と実験である。 実験全体をドキュメント化するだけでなく、自動化コードも提供する"Experiments as Code"パラダイムを提案する。
  論文  参考訳（メタデータ） (2022-02-24T12:15:00Z)
• Sequential Bayesian experimental designs via reinforcement learning [0.0]
  我々は,BEDを逐次的に構築するために,強化学習による逐次実験設計を提案する。 提案手法は,新たな実世界指向実験環境を提案することで,期待される情報獲得を最大化することを目的としている。 提案手法は,EIGやサンプリング効率などの指標において,既存の手法よりも優れていることを確認した。
  論文  参考訳（メタデータ） (2022-02-14T04:29:04Z)
• Reinforcement Learning based Sequential Batch-sampling for Bayesian Optimal Experimental Design [1.6249267147413522]
  実験の逐次設計(SDOE)は,近年,有望な結果をもたらす手法として人気がある。 本研究では、SDOE戦略を拡張し、実験やコンピュータコードに一連の入力で問い合わせる。 提案手法のユニークな機能は、複数のタスクに適用できる能力である。
  論文  参考訳（メタデータ） (2021-12-21T02:25:23Z)
• On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
  我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。 この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
  論文  参考訳（メタデータ） (2021-06-07T16:30:46Z)
• Dynamic Causal Effects Evaluation in A/B Testing with a Reinforcement Learning Framework [68.96770035057716]
  A/Bテスト(A/B Testing)は、新しい製品を製薬、技術、伝統産業の古い製品と比較するビジネス戦略である。 本稿では,オンライン実験においてA/Bテストを実施するための強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-05T10:25:02Z)

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。