論文の概要: Differences-in-Neighbors for Network Interference in Experiments

• arxiv url: http://arxiv.org/abs/2503.02271v1
• Date: Tue, 04 Mar 2025 04:40:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:17:09.421030
• Title: Differences-in-Neighbors for Network Interference in Experiments
• Title（参考訳）: 実験におけるネットワーク干渉の相違
• Authors: Tianyi Peng, Naimeng Ye, Andrew Zheng,
• Abstract要約: そこで本研究では,ネットワーク干渉を緩和するために設計されたDNと呼ばれる新しい推定器を提案する。 DM推定器と比較して、DNバイアスは干渉効果の大きさで2位、その分散はHT推定器よりも指数的に小さい。 大規模ソーシャルネットワークと都市レベルのライドシェアリングシミュレータによる実証評価は,DNの優れた性能を示す。
• 参考スコア（独自算出の注目度）: 5.079602839359523
• License:
• Abstract: Experiments in online platforms frequently suffer from network interference, in which a treatment applied to a given unit affects outcomes for other units connected via the platform. This SUTVA violation biases naive approaches to experiment design and estimation. A common solution is to reduce interference by clustering connected units, and randomizing treatments at the cluster level, typically followed by estimation using one of two extremes: either a simple difference-in-means (DM) estimator, which ignores remaining interference; or an unbiased Horvitz-Thompson (HT) estimator, which eliminates interference at great cost in variance. Even combined with clustered designs, this presents a limited set of achievable bias variance tradeoffs. We propose a new estimator, dubbed Differences-in-Neighbors (DN), designed explicitly to mitigate network interference. Compared to DM estimators, DN achieves bias second order in the magnitude of the interference effect, while its variance is exponentially smaller than that of HT estimators. When combined with clustered designs, DN offers improved bias-variance tradeoffs not achievable by existing approaches. Empirical evaluations on a large-scale social network and a city-level ride-sharing simulator demonstrate the superior performance of DN in experiments at practical scale.
• Abstract（参考訳）: オンラインプラットフォームにおける実験はネットワークの干渉にしばしば悩まされ、特定のユニットに適用された治療がプラットフォームを介して接続された他のユニットの結果に影響を与える。 このSUTVA違反は、設計と推定を実験するための単純なアプローチに偏っている。 一般的な解法は、連結単位のクラスタ化による干渉の低減とクラスタレベルでの処理のランダム化であり、次に2つの極端値のうちの1つを推定する: 残った干渉を無視する単純な差分平均推定器(DM)、あるいは、大きな分散のコストで干渉を除去する非偏差ホルヴィッツトンプソン推定器(HT)推定器(Horvitz-Thompson 推定器)である。 クラスタ化された設計と組み合わせても、これは達成可能なバイアス分散トレードオフの限られたセットを示す。 そこで本研究では,ネットワーク干渉を緩和するために設計されたDNと呼ばれる新しい推定器を提案する。 DM推定器と比較して、DNは干渉効果の大きさのバイアス2次を達成し、その分散はHT推定器よりも指数関数的に小さい。 クラスタ化された設計と組み合わせることで、DNは既存のアプローチでは達成できないバイアス分散トレードオフの改善を提供する。 大規模ソーシャルネットワークと都市レベルのライドシェアリングシミュレータの実証評価により,DNの実用的性能が向上したことを示す。

関連論文リスト

• Kolmogorov-Smirnov GAN [52.36633001046723]
  我々は、KSGAN(Kolmogorov-Smirnov Generative Adversarial Network)という新しい深層生成モデルを提案する。 既存のアプローチとは異なり、KSGANはKS距離の最小化として学習プロセスを定式化している。
  論文  参考訳（メタデータ） (2024-06-28T14:30:14Z)
• Estimating Treatment Effects under Recommender Interference: A Structured Neural Networks Approach [13.208141830901845]
  標準差分推定器は、推奨者干渉による偏差推定を導出できることを示す。 本稿では,処理項目と制御項目の両方を含むプールからどのアイテムが露出するかを記述した「レコメンダ選択モデル」を提案する。 提案した推定器はベンチマークに匹敵する結果が得られるのに対し,標準差分推定器は有意なバイアスを示し,また逆の兆候も生み出すことを示す。
  論文  参考訳（メタデータ） (2024-06-20T14:53:26Z)
• Correcting for Interference in Experiments: A Case Study at Douyin [9.586075896428177]
  干渉は、Douyin(中国TikTokのアナログ)のような二面的コンテンツマーケットプレースで実施される実験において、ユビキタスな問題である。 そこで我々は,モンテカルロの「DQ(Differences-in-Qs)」技術に基づく新しいモンテカルロ推定手法を提案する。 我々は,Douyinの実験プラットフォーム上に推定器を実装し,その過程で実世界の環境に干渉する真の「プラグ・アンド・プレイ」推定器としてDQを開発した。
  論文  参考訳（メタデータ） (2023-05-04T04:30:30Z)
• A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
  バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。 ブレグマン最小化の発散の観点から一般的な枠組みを開発する。 我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
  論文  参考訳（メタデータ） (2021-12-07T01:23:20Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• Two-Stage TMLE to Reduce Bias and Improve Efficiency in Cluster Randomized Trials [0.0]
  クラスタランダム化トライアル(CRT)は、ランダムに個人グループへの介入を割り当て、それらのグループ内の個人に対する結果を測定する。 クラスタ内の一部の個人には発見が欠落することが多い。 CRTは、しばしば限られた数のクラスターをランダムにし、その結果、腕間のベースライン結果予測器に不均衡をもたらす。
  論文  参考訳（メタデータ） (2021-06-29T21:47:30Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• Minimizing Interference and Selection Bias in Network Experiment Design [14.696233190562939]
  干渉や選択バイアスを最小化するネットワーク実験設計の原理的枠組みを提案する。 実世界の多くのデータセットに対する実験により,提案手法が因果効果推定の誤差を著しく低減させることが示された。
  論文  参考訳（メタデータ） (2020-04-15T17:34:13Z)
• Detached Error Feedback for Distributed SGD with Random Sparsification [98.98236187442258]
  コミュニケーションのボトルネックは、大規模なディープラーニングにおいて重要な問題である。 非効率な分散問題に対する誤りフィードバックよりも優れた収束性を示す分散誤差フィードバック(DEF)アルゴリズムを提案する。 また、DEFよりも優れた境界を示すDEFの一般化を加速するDEFAを提案する。
  論文  参考訳（メタデータ） (2020-04-11T03:50:59Z)

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。