論文の概要: A Large Scale Heterogeneous Treatment Effect Estimation Framework and Its Applications of Users' Journey at Snap

• arxiv url: http://arxiv.org/abs/2512.03060v1
• Date: Tue, 25 Nov 2025 22:01:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-04 20:02:54.923046
• Title: A Large Scale Heterogeneous Treatment Effect Estimation Framework and Its Applications of Users' Journey at Snap
• Title（参考訳）: 大規模不均一処理効果推定フレームワークとそのSnapにおけるユーザジャーニーへの応用
• Authors: Jing Pan, Li Shi, Paul Lo,
• Abstract要約: 不均一処理効果(HTE)と条件平均処理効果(CATE)モデルは、全てのユーザに対して治療効果が同じであるという仮定を緩和する。 数億のSnapchatユーザーの実験データを用いてHTEを推定するための大規模産業フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.833463670402037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous Treatment Effect (HTE) and Conditional Average Treatment Effect (CATE) models relax the assumption that treatment effects are the same for every user. We present a large scale industrial framework for estimating HTE using experimental data from hundreds of millions of Snapchat users. By combining results across many experiments, the framework uncovers latent user characteristics that were previously unmeasurable and produces stable treatment effect estimates at scale. We describe the core components that enabled this system, including experiment selection, base learner design, and incremental training. We also highlight two applications: user influenceability to ads and user sensitivity to ads. An online A/B test using influenceability scores for targeting showed an improvement on key business metrics that is more than six times larger than what is typically considered significant.
• Abstract（参考訳）: 不均一処理効果(HTE)と条件平均処理効果(CATE)モデルは、全てのユーザに対して治療効果が同じであるという仮定を緩和する。 数億のSnapchatユーザーの実験データを用いてHTEを推定するための大規模産業フレームワークを提案する。 多くの実験で結果を組み合わせることで、以前は測定不可能であった潜在ユーザ特性を明らかにし、スケールで安定した処理効果を推定する。 本稿では,実験選択,ベースラーナー設計,インクリメンタルトレーニングなど,本システムを実現するコアコンポーネントについて述べる。 広告に対するユーザの影響力と、広告に対するユーザの敏感さです。 ターゲティングにインフルエンタビリティスコアを使用したオンラインA/Bテストでは、一般的に重要と見なされるものよりも6倍以上大きい主要なビジネスメトリクスが改善された。

関連論文リスト

• Black Box Causal Inference: Effect Estimation via Meta Prediction [56.277798874118425]
  因果推論はデータセットレベルの予測問題であり,アルゴリズム設計を学習プロセスにオフロードする。 我々は,ブラックボックス因果推論 (BBCI) と呼ばれる,サンプルデータセットと効果ペアの因果効果の予測を学習することにより,ブラックボックス方式で推定器を構築する。 我々は,いくつかの因果推論問題に対して,BBCIを用いた平均治療効果(ATE)と条件平均治療効果(CATE)を正確に推定した。
  論文  参考訳（メタデータ） (2025-03-07T23:43:19Z)
• 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)
• Impact of Usability Mechanisms: A Family of Experiments on Efficiency, Effectiveness and User Satisfaction [0.5419296578793327]
  ベースライン実験における結果の精度と一般化を高めるために、3つの実験のファミリーを用いる。 システムのユーザビリティは, 効率, 有効性, ユーザ満足度に関して大きく向上していると考えられる。
  論文  参考訳（メタデータ） (2024-08-22T21:23:18Z)
• 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)
• 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)
• DAPPER: Label-Free Performance Estimation after Personalization for Heterogeneous Mobile Sensing [95.18236298557721]
  DAPPER(Domain AdaPtation Performance EstimatoR)を提案する。 実世界の6つのベースラインと比較した4つのセンシングデータセットによる評価の結果,DAPPERの精度は39.8%向上した。
  論文  参考訳（メタデータ） (2021-11-22T08:49:33Z)
• A Large Scale Benchmark for Individual Treatment Effect Prediction and Uplift Modeling [7.1736440498963105]
  個別治療効果(ITE)予測は、粒度レベルでの行動の因果的影響を説明し、推定することを目的としている。 このトピックの研究を促進するために、いくつかのランダム化制御試験から収集された139万のサンプルの公開コレクションをリリースする。
  論文  参考訳（メタデータ） (2021-11-19T09:07:14Z)
• Multi-Source Causal Inference Using Control Variates [81.57072928775509]
  本稿では,複数のデータソースから因果効果を推定するアルゴリズムを提案する。 理論的には、これはATE推定値の分散を減少させる。 このフレームワークを結果選択バイアスの下で観測データからの推論に適用する。
  論文  参考訳（メタデータ） (2021-03-30T21:20:51Z)
• 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。