論文の概要: A Simple Model to Estimate Sharing Effects in Social Networks
- arxiv url: http://arxiv.org/abs/2409.12203v1
- Date: Mon, 16 Sep 2024 13:32:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 15:49:40.384303
- Title: A Simple Model to Estimate Sharing Effects in Social Networks
- Title(参考訳): ソーシャルネットワークにおける共有効果の簡易推定モデル
- Authors: Olivier Jeunen,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.988614978933934
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Randomised Controlled Trials (RCTs) are the gold standard for estimating treatment effects across many fields of science. Technology companies have adopted A/B-testing methods as a modern RCT counterpart, where end-users are randomly assigned various system variants and user behaviour is tracked continuously. The objective is then to estimate the causal effect that the treatment variant would have on certain metrics of interest to the business. When the outcomes for randomisation units -- end-users in this case -- are not statistically independent, this obfuscates identifiability of treatment effects, and harms decision-makers' observability of the system. Social networks exemplify this, as they are designed to promote inter-user interactions. This interference by design notoriously complicates measurement of, e.g., the effects of sharing. In this work, we propose a simple Markov Decision Process (MDP)-based model describing user sharing behaviour in social networks. We derive an unbiased estimator for treatment effects under this model, and demonstrate through reproducible synthetic experiments that it outperforms existing methods by a significant margin.
- Abstract(参考訳): ランダム化比較試験(Randomized Controlled Trials、RCT)は、多くの科学分野における治療効果を推定するための金の標準である。
技術系企業は現代のRCTの手法としてA/Bテスト手法を採用しており、エンドユーザーをランダムに様々なシステムに割り当て、ユーザの振る舞いを継続的に追跡している。
その目的は、治療の変種がビジネスに対する特定の関心の指標に持つ因果効果を見積もることである。
この場合、ランダム化ユニット(この場合のエンドユーザー)の結果が統計的に独立していない場合、これは治療効果の識別可能性を曖昧にし、意思決定者のシステム観測可能性を傷つける。
ソーシャルネットワークは、ユーザ間のインタラクションを促進するように設計されているため、これを実証している。
この設計による干渉は、例えば共有の効果の測定を複雑にすることで知られる。
本研究では,シンプルなマルコフ決定プロセス(MDP)に基づく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。
関連論文リスト
- Can We Validate Counterfactual Estimations in the Presence of General Network Interference? [6.092214762701847]
対実推定のためのクロスバリデーションを実現する新しいフレームワークを提案する。
中心となるのは、分散保存ネットワークブートストラップ方式です。
我々は、不均一な単位レベル特性を取り入れることで、最近の因果メッセージパッシングの発展を拡大する。
論文 参考訳(メタデータ) (2025-02-03T06:51:04Z) - ML-assisted Randomization Tests for Detecting Treatment Effects in A/B Experiments [3.79377147545355]
本稿では, 複雑な処理効果に対するランダム化試験を構築した。
このアプローチの重要な特徴は、フレキシブル機械学習(ML)モデルを使用することです。
このアプローチは、現代のMLツールの予測力とランダム化手順の有限サンプル妥当性を組み合わせる。
論文 参考訳(メタデータ) (2025-01-13T22:14:58Z) - Post Launch Evaluation of Policies in a High-Dimensional Setting [4.710921988115686]
A/Bテスト(A/B test)またはランダム化制御実験(RCTs)は、新しいポリシー、製品、決定の影響を評価するための金の標準である。
本稿では「合成制御」にインスパイアされた方法論の適用に関する実践的考察を考察する。
合成制御法は、影響を受けていない単位からのデータを利用して、処理された単位に対する対実的な結果を推定する。
論文 参考訳(メタデータ) (2024-12-30T19:35:29Z) - Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。
我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
論文 参考訳(メタデータ) (2024-11-01T18:00:51Z) - Causal Message Passing for Experiments with Unknown and General Network Interference [5.294604210205507]
複雑で未知のネットワーク干渉に対応する新しいフレームワークを提案する。
我々のフレームワークは因果的メッセージパッシングと呼ばれ、高次元近似的メッセージパッシング手法に基づいている。
本手法の有効性を5つの数値シナリオで示す。
論文 参考訳(メタデータ) (2023-11-14T17:31:50Z) - 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) - 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) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳(メタデータ) (2021-12-14T17:53:01Z) - Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。
IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
論文 参考訳(メタデータ) (2021-07-26T10:40:59Z) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳(メタデータ) (2020-03-02T15:21:20Z) - Estimating the Effects of Continuous-valued Interventions using
Generative Adversarial Networks [103.14809802212535]
我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。
我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。
継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-02-27T18:46:21Z)
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。