論文の概要: Towards Reliable Social A/B Testing: Spillover-Contained Clustering with Robust Post-Experiment Analysis

• arxiv url: http://arxiv.org/abs/2602.08569v1
• Date: Mon, 09 Feb 2026 12:08:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.215024
• Title: Towards Reliable Social A/B Testing: Spillover-Contained Clustering with Robust Post-Experiment Analysis
• Title（参考訳）: 信頼性の高いソーシャルA/Bテストに向けて:ロバストなポスト実験分析によるスピルオーバーを含むクラスタリング
• Authors: Xu Min, Zhaoxu Yang, Kaixuan Tan, Juan Yan, Xunbin Xiong, Zihao Zhu, Kaiyu Zhu, Fenglin Cui, Yang Yang, Sihua Yang, Jianhui Bu,
• Abstract要約: A/Bテストはオンラインプラットフォームにおける意思決定の基礎であるが、ソーシャル製品はネットワークの干渉に悩まされることが多い。 本稿では,2段階のこぼこぼこ込みを伴う実験フレームワークを提案する。 当社のアプローチは,数億のユーザを対象とするプラットフォームであるKuaishou上での大規模ソーシャル共有実験を通じて検証する。
• 参考スコア（独自算出の注目度）: 11.30339991179317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A/B testing is the foundation of decision-making in online platforms, yet social products often suffer from network interference: user interactions cause treatment effects to spill over into the control group. Such spillovers bias causal estimates and undermine experimental conclusions. Existing approaches face key limitations: user-level randomization ignores network structure, while cluster-based methods often rely on general-purpose clustering that is not tailored for spillover containment and has difficulty balancing unbiasedness and statistical power at scale. We propose a spillover-contained experimentation framework with two stages. In the pre-experiment stage, we build social interaction graphs and introduce a Balanced Louvain algorithm that produces stable, size-balanced clusters while minimizing cross-cluster edges, enabling reliable cluster-based randomization. In the post-experiment stage, we develop a tailored CUPAC estimator that leverages pre-experiment behavioral covariates to reduce the variance induced by cluster-level assignment, thereby improving statistical power. Together, these components provide both structural spillover containment and robust statistical inference. We validate our approach through large-scale social sharing experiments on Kuaishou, a platform serving hundreds of millions of users. Results show that our method substantially reduces spillover and yields more accurate assessments of social strategies than traditional user-level designs, establishing a reliable and scalable framework for networked A/B testing.
• Abstract（参考訳）: A/Bテストはオンラインプラットフォームにおける意思決定の基盤であるが、ソーシャル製品はネットワークの干渉に悩まされることが多い。 このような流出はバイアス因果推定を行い、実験的な結論を損なう。 ユーザレベルのランダム化はネットワーク構造を無視するのに対して、クラスタベースの手法は、スポークオーバーの封じ込めに適さない汎用クラスタリングに依存しており、大規模に非偏りと統計的パワーのバランスをとるのが困難である。 本稿では,2段階のこぼこぼこ込みを伴う実験フレームワークを提案する。 実験前の段階では,ソーシャルインタラクショングラフの構築と,クラスタ間のエッジを最小化しながら,クラスタ間の信頼性の高いランダム化を実現するとともに,安定かつサイズバランスの取れたクラスタを生成するBa balanced Louvainアルゴリズムを導入している。 実験後の段階では、実験前の振る舞い共変量を利用してクラスタレベルの割り当てによって生じる分散を低減し、統計的パワーを向上させるための調整されたCUPAC推定器を開発する。 これらの成分は、構造的流出封じ込めと頑健な統計的推測の両方を提供する。 当社のアプローチは,数億のユーザを対象とするプラットフォームであるKuaishou上での大規模ソーシャル共有実験を通じて検証する。 以上の結果から,従来のユーザレベルの設計よりもソーシャル戦略の評価が大幅に低減され,ネットワーク型A/Bテストのための信頼性とスケーラブルなフレームワークが確立された。

関連論文リスト

• Empirical Likelihood-Based Fairness Auditing: Distribution-Free Certification and Flagging [18.71249153088185]
  リシビズム予測や人事自動選択といった高度な応用における機械学習モデルは、しばしば体系的な性能格差を示す。 本稿では,モデル性能の相違に対する頑健な統計的尺度を構築するための実験的可能性ベース(EL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-28T05:36:19Z)
• Hierarchical Clustering With Confidence [6.479319856992936]
  集約的階層的クラスタリングは、データの小さな摂動に非常に敏感である。 階層的クラスタリングのランダム化は,安定性の測定だけでなく,有効な仮説テスト手順の設計にも有用であることを示す。
  論文  参考訳（メタデータ） (2025-12-06T18:18:20Z)
• 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)
• Adaptive Experimentation When You Can't Experiment [55.86593195947978]
  本稿では,Emphcon founded the pure exploration transductive linear bandit (textttCPET-LB) problem。 オンラインサービスは、ユーザーを特定の治療にインセンティブを与える、適切にランダム化された励ましを利用することができる。
  論文  参考訳（メタデータ） (2024-06-15T20:54:48Z)
• Cluster-guided Contrastive Graph Clustering Network [53.16233290797777]
  クラスタ誘導コントラストグラフクラスタリングネットワーク(CCGC)を提案する。 我々は、兄弟のサブネットワーク間で重みが共有されない特別なシームズエンコーダを設計することにより、グラフの2つのビューを構築する。 意味的な負のサンプルペアを構築するために、異なる高信頼度クラスタの中心を負のサンプルとみなす。
  論文  参考訳（メタデータ） (2023-01-03T13:42:38Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
  教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。 特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。 次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
  論文  参考訳（メタデータ） (2021-08-06T05:20:46Z)
• 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)
• 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)

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。