論文の概要: A/B testing under Interference with Partial Network Information

• arxiv url: http://arxiv.org/abs/2404.10547v1
• Date: Tue, 16 Apr 2024 13:16:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-17 16:44:15.392669
• Title: A/B testing under Interference with Partial Network Information
• Title（参考訳）: 部分的ネットワーク情報との干渉によるA/Bテスト
• Authors: Shiv Shankar, Ritwik Sinha, Yash Chandak, Saayan Mitra, Madalina Fiterau,
• Abstract要約: A/Bテストは、社会的つながりを持つ可能性のある被験者に対して実施する必要があることが多い。 このような環境では、ランダム化制御されたトライアルに対するSUTVA仮定は、ネットワーク干渉により違反される。 グラフ内の任意の主題について、隣人のスーパーセットの知識にのみ依存しながら識別できる新しい推定器UNITEを提案する。
• 参考スコア（独自算出の注目度）: 19.134148032807932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A/B tests are often required to be conducted on subjects that might have social connections. For e.g., experiments on social media, or medical and social interventions to control the spread of an epidemic. In such settings, the SUTVA assumption for randomized-controlled trials is violated due to network interference, or spill-over effects, as treatments to group A can potentially also affect the control group B. When the underlying social network is known exactly, prior works have demonstrated how to conduct A/B tests adequately to estimate the global average treatment effect (GATE). However, in practice, it is often impossible to obtain knowledge about the exact underlying network. In this paper, we present UNITE: a novel estimator that relax this assumption and can identify GATE while only relying on knowledge of the superset of neighbors for any subject in the graph. Through theoretical analysis and extensive experiments, we show that the proposed approach performs better in comparison to standard estimators.
• Abstract（参考訳）: A/Bテストは、社会的つながりを持つ可能性のある被験者に対して実施する必要があることが多い。 例えば、ソーシャルメディアでの実験や、疫病の拡散を抑えるための医療と社会の介入などです。 このような状況下では、ランダム化比較試験のSUTVA仮定は、ネットワーク干渉や、グループAに対する治療がコントロールグループBに影響を及ぼす可能性があり、また、基礎となるソーシャルネットワークが正確に分かっていれば、グローバル平均治療効果(GATE)を適切に評価するためのA/Bテストの実施方法が実証されている。 しかし、実際には、正確な基盤となるネットワークに関する知識を得ることは不可能であることが多い。 本稿では, この仮定を緩和し, GATE を識別できる新しい推定器である UNITE を提案する。 理論解析と広範な実験により,提案手法は標準推定器よりも優れた性能を示した。

関連論文リスト

• A Simple Model to Estimate Sharing Effects in Social Networks [3.988614978933934]
  ソーシャルネットワークにおけるユーザ共有行動を記述するシンプルなマルコフ決定プロセス(MDP)モデルを提案する。 本モデルでは, 治療効果の偏りのない推定器を導出し, 再現性のある合成実験により, 既存の方法よりも有意差で優れることを示した。
  論文  参考訳（メタデータ） (2024-09-16T13:32:36Z)
• Adaptive Experimental Design for Intrusion Data Collection [7.7932470245461865]
  侵入調査は、現在使われている攻撃技術とその潜在的な症状に関するデータを頻繁に収集する。 これらの観察研究は、環境の設計と記録されたデータとの間の因果関係を明確には示していない。 このような因果関係を効率的に発見することを目的とした手法に関する理論と実証データを提示する。
  論文  参考訳（メタデータ） (2023-10-20T02:02:51Z)
• Rapid and Scalable Bayesian AB Testing [0.0]
  本稿では,現在のAB試験手法の限界に対処するため,階層ベイズ推定を適用した手法を提案する。 因子間の相関を利用して統計的パワーを高め、逐次テストと進行早期停止を可能にする。 また、過去のABテストから複合グローバルラーニングを抽出できるように、この方法論をどのように拡張できるかを実証する。
  論文  参考訳（メタデータ） (2023-07-27T05:08:49Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Neighborhood Adaptive Estimators for Causal Inference under Network Interference [152.4519491244279]
  我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。 干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。 このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
  論文  参考訳（メタデータ） (2022-12-07T14:53:47Z)
• Adaptive Sequential Surveillance with Network and Temporal Dependence [1.7205106391379026]
  戦略的なテストアロケーションは、パンデミックと既存のパンデミックの両方のコントロールにおいて重要な役割を果たしている。 感染症の監視は、ユニークな統計上の課題を提示する。 適応型シーケンシャル監視のためのオンライン・スーパーラーナーを提案する。
  論文  参考訳（メタデータ） (2022-12-05T17:04:17Z)
• 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)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)
• Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
  我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。 本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。 我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
  論文  参考訳（メタデータ） (2020-09-20T12:24:45Z)
• Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design [63.48989885374238]
  病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。 本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
  論文  参考訳（メタデータ） (2020-04-26T23:41:33Z)

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。