論文の概要: Unbiased Platform-Level Causal Estimation for Search Systems: A Competitive Isolation PSM-DID Framework

• arxiv url: http://arxiv.org/abs/2511.01329v1
• Date: Mon, 03 Nov 2025 08:29:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.175241
• Title: Unbiased Platform-Level Causal Estimation for Search Systems: A Competitive Isolation PSM-DID Framework
• Title（参考訳）: 探索システムの非バイアスプラットフォームレベル因果推定:競合分離型PSM-DIDフレームワーク
• Authors: Ying Song, Yijing Wang, Hui Yang, Weihan Jin, Jun Xiong, Congyi Zhou, Jialin Zhu, Xiang Gao, Rong Chen, HuaGuang Deng, Ying Dai, Fei Xiao, Haihong Tang, Bo Zheng, KaiFu Zhang,
• Abstract要約: 競合分離PSM-DIDは、競合分離と整合性スコアを統合し、プラットフォームレベルの効果測定を可能にする。 提案手法は, 相互排他条件下での非バイアス推定を理論的に保証する。 大規模な実験では、ベースライン法と比較して干渉効果と推定分散が著しく減少することを示した。
• 参考スコア（独自算出の注目度）: 23.525736321687265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evaluating platform-level interventions in search-based two-sided marketplaces is fundamentally challenged by systemic effects such as spillovers and network interference. While widely used for causal inference, the PSM (Propensity Score Matching) - DID (Difference-in-Differences) framework remains susceptible to selection bias and cross-unit interference from unaccounted spillovers. In this paper, we introduced Competitive Isolation PSM-DID, a novel causal framework that integrates propensity score matching with competitive isolation to enable platform-level effect measurement (e.g., order volume, GMV) instead of item-level metrics in search systems. Our approach provides theoretically guaranteed unbiased estimation under mutual exclusion conditions, with an open dataset released to support reproducible research on marketplace interference (github.com/xxxx). Extensive experiments demonstrate significant reductions in interference effects and estimation variance compared to baseline methods. Successful deployment in a large-scale marketplace confirms the framework's practical utility for platform-level causal inference.
• Abstract（参考訳）: 検索ベースの二面市場におけるプラットフォームレベルの介入を評価することは、こぼれやネットワーク干渉といったシステム的影響によって根本的な課題である。 因果推論に広く使われているが、PSM (Propensity Score Matching) - DID (Difference-in-Differences) フレームワークは、未計算の流出から選択バイアスやクロスユニット干渉の影響を受けやすいままである。 本稿では,競合分離と整合性スコアを統合した新たな因果関係フレームワークであるCompetitive isolation PSM-DIDを導入し,探索システムにおける項目レベルの指標の代わりに,プラットフォームレベルの効果測定(例えば,順序容積,GMV)を可能にする。 提案手法は,マーケットプレース干渉(github.com/xxxx)の再現可能な研究を支援するオープンデータセットを公開し,相互排除条件下での非バイアス推定を理論的に保証する。 大規模な実験では、ベースライン法と比較して干渉効果と推定分散が著しく減少することを示した。 大規模なマーケットプレースでのデプロイメントの成功は、プラットフォームレベルの因果推論のためのフレームワークの実用性を確認するものだ。

関連論文リスト

• Global-focal Adaptation with Information Separation for Noise-robust Transfer Fault Diagnosis [48.69961294481149]
  ノイズ条件下でのドメイン横断故障診断のための情報分離グローバル焦点対向ネットワーク(ISGFAN)を提案する。 ISGFANは、ドメイン不変のフォールト表現を分離するために、逆学習と改善された損失を統合する情報分離アーキテクチャ上に構築されている。 3つの公開データセットで行った実験は、提案手法が他の顕著な既存手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-10-16T01:13:06Z)
• Statistical Hypothesis Testing for Auditing Robustness in Language Models [49.1574468325115]
  本稿では,摂動解析を頻繁な仮説テスト問題として再検討するフレームワークである分布に基づく摂動解析を紹介する。 モンテカルロサンプリングを用いて低次元意味的類似性空間内に経験的ヌルおよび代替出力分布を構築する。 反応変化の定量化、正/偽の正率の測定、参照モデルとの整合性の評価について述べる。
  論文  参考訳（メタデータ） (2025-06-09T17:11:07Z)
• The Larger the Merrier? Efficient Large AI Model Inference in Wireless Edge Networks [56.37880529653111]
  大規模計算モデル(LAIM)サービスの需要は、従来のクラウドベースの推論から、低レイテンシでプライバシ保護のアプリケーションのためのエッジベースの推論へのパラダイムシフトを推進している。 本稿では,事前学習したLAIMをデバイス上のサブモデルとサーバ上のサブモデルに分割して配置するLAIM推論方式について検討する。
  論文  参考訳（メタデータ） (2025-05-14T08:18:55Z)
• Federated Causal Inference in Healthcare: Methods, Challenges, and Applications [21.843379449376172]
  フェデレート因果推論は、個々のレベルのデータを共有せずにマルチサイト処理効果の推定を可能にする。 本稿では, 連立因果効果評価の包括的検討と理論的解析を行い, 連立因果効果と連立因果効果の関係について考察する。 我々は、分散医療システムにおける、スケーラブルで公正で信頼性の高い連合因果推論の機会、課題、今後の方向性を概説して結論付けます。
  論文  参考訳（メタデータ） (2025-05-04T20:30:11Z)
• Causally Fair Node Classification on Non-IID Graph Data [9.363036392218435]
  本稿では,フェアネスを考慮したMLアルゴリズムにおける課題について述べる。 非IID、グラフベースの設定の見落としている領域に取り組みます。 因果推論のためのメッセージパッシング変分オートエンコーダを開発した。
  論文  参考訳（メタデータ） (2025-05-03T02:05:51Z)
• Can We Validate Counterfactual Estimations in the Presence of General Network Interference? [13.49152464081862]
  我々は、因果推論における推定と検証の両方に機械学習ツールを使うことを容易にするフレームワークを導入する。 新しい分布保存ネットワークブートストラップは、単一実験のデータから統計的に有意なサブポピュレーションを生成する。 ファクトファクトのクロスバリデーション手順は、モデル検証の原則を因果的設定のユニークな制約に適応させる。
  論文  参考訳（メタデータ） (2025-02-03T06:51:04Z)
• On the Sample Complexity of Set Membership Estimation for Linear Systems with Disturbances Bounded by Convex Sets [13.426300917962712]
  本稿では,線形制御系における集合メンバシップ識別について再検討する。 持続的な励起要求とシステム障害に関する緩和された仮定の下で収束率を確立する。
  論文  参考訳（メタデータ） (2024-06-01T23:41:29Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• Investigation of Different Calibration Methods for Deep Speaker Embedding based Verification Systems [66.61691401921296]
  本稿では, ディープスピーカ埋込抽出器のスコアキャリブレーション法について検討する。 この研究のさらなる焦点は、スコア正規化がシステムの校正性能に与える影響を推定することである。
  論文  参考訳（メタデータ） (2022-03-28T21:22:22Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。