論文の概要: Efficient Multi-Cohort Inference for Long-Term Effects and Lifetime Value in A/B Testing with User Learning

• arxiv url: http://arxiv.org/abs/2604.20777v1
• Date: Wed, 22 Apr 2026 17:05:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.247139
• Title: Efficient Multi-Cohort Inference for Long-Term Effects and Lifetime Value in A/B Testing with User Learning
• Title（参考訳）: ユーザ学習を用いたA/Bテストにおける長期的効果と生涯価値の効率的なマルチコース推論
• Authors: Dario Simionato, Andrea Tonon, Mingxue Wang, Weiguo Wang, Tong Gui, Xiaoyue Li,
• Abstract要約: ストリーミングプラットフォームでは、チャーンは非常にコストがかかるが、A/Bテストは通常、限られた実験地平線で観測された結果を用いて評価される。 本稿では,ユーザ学習下での短時間のマルチコホートA/Bテストにおいて,長期治療効果(LTE)と残余寿命値の変化(ERLV$)を推定する手法を提案する。 本フレームワークは,1つの実験において,定常的影響と残存ユーザ価値の同時評価を可能にする。
• 参考スコア（独自算出の注目度）: 1.9775461158626977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In streaming platforms churn is extremely costly, yet A/B tests are typically evaluated using outcomes observed within a limited experimental horizon. Even when both short- and predicted long-term engagement metrics are considered, they may fail to capture how a treatment affects users' retention. Consequently, an intervention may appear beneficial in the short term and neutral in the long term while still generating lower total value than the control due to users churn. To address this limitation, we introduce a method that estimates long-term treatment effects (LTE) and residual lifetime value change ($ΔERLV$) in short multi-cohort A/B tests under user learning. To estimate time-varying treatment effects efficiently, we introduce an inverse-variance weighted estimator that combines multiple cohorts estimates, reducing variance relative to standard approaches in the literature. The estimated treatment trajectory is then modeled as a parametric decay to recover both the asymptotic treatment effect and the cumulative value generated over time. Our framework enables simultaneous evaluation of steady-state impact and residual user value within a single experiment. Empirical results show improved precision in estimating LTE and $ΔERLV$ and identify scenarios in which relying on either short-term or long-term metrics alone would lead to incorrect product decisions.
• Abstract（参考訳）: ストリーミングプラットフォームでは、チャーンは非常にコストがかかるが、A/Bテストは通常、限られた実験地平線で観測された結果を用いて評価される。 短期および予測された長期エンゲージメント指標が考慮されたとしても、治療がユーザの保持にどのように影響するかをキャプチャできない可能性がある。 その結果、介入は短期的には有益であり、長期的には中立でありながら、利用者の動揺によるコントロールよりも低い総価値を生み出す可能性がある。 この制限に対処するため,ユーザ学習下での短時間のマルチコホートA/Bテストにおいて,長期治療効果(LTE)と残余寿命値の変化(ΔERLV$)を推定する手法を提案する。 時間変化処理効果を効率的に推定するために,複数のコホート推定を組み合わせた逆分散重み付き推定器を導入する。 次に、推定された処理軌道をパラメトリック崩壊としてモデル化し、漸近的処理効果と時間とともに発生する累積値の両方を回復する。 本フレームワークは,1つの実験において,定常的影響と残存ユーザ価値の同時評価を可能にする。 実験の結果,LTEおよびΔERLV$を推定する精度が向上し,短期または長期のメトリクスのみに依存するシナリオが誤った製品決定につながることが示された。

関連論文リスト

• Estimating heterogeneous treatment effects with survival outcomes via a deep survival learner [5.540352966241158]
  生存条件における不均一な治療効果の推定は、適切な検閲と推定の時間変化によって複雑になる。 本研究では,不均一な治療効果を正しく評価する深層生存学習者を提案する。
  論文  参考訳（メタデータ） (2026-04-12T01:11:44Z)
• Orthogonal Learner for Estimating Heterogeneous Long-Term Treatment Effects [56.15663253912398]
  HLTE推定のためのLT-O-learners(Long-Term Orthogonal Learningers)を提案する。 学習者は、短期ランダム化データセットと長期履歴データセットを組み合わせた標準HLTE設定のために設計されている。 学習者はニュアンス推定における誤りに対して頑健であることを示す。
  論文  参考訳（メタデータ） (2026-04-01T13:56:19Z)
• Targeted learning of heterogeneous treatment effect curves for right censored or left truncated time-to-event data [1.360712433091342]
  2つの治療条件下での生存確率の差を推定する学習方法であるsurv-iTMLEを導入する。 既存の推定装置とは異なり、surv-iTMLEは、時間とともに推定された処理効果曲線の滑らかさとバウンドネスを保ちながら、左トランケーションと右検閲の両方を許容する。 有限標本における時間変化効果推定の偏りや滑らかさの観点から,surv-iTMLEは既存手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-03-27T15:08:07Z)
• Improving the Estimation of Lifetime Effects in A/B Testing via Treatment Locality [16.36651676133996]
  マルコフ決定過程における一般A/Bテストのための最適推論手法を開発した。 本研究では,非ターゲット状態の情報を共有することで,局所構造を利用する手法を提案する。 偏見を増大させることなく情報共有による分散低減の恩恵を受けることができることを示す。
  論文  参考訳（メタデータ） (2024-07-29T00:41:11Z)
• Estimating Long-term Heterogeneous Dose-response Curve: Generalization Bound Leveraging Optimal Transport Weights [54.65531750162626]
  多くのアプリケーションにおいて、長期的な処理効果の推定は重要な問題であるが難しい問題である。 既存の方法は、長期的な平均治療効果を推定するために、保存されていない共同設立者やバイナリー処理など、理想的な仮定に依存している。 本稿では,長期観測データを補助的短期実験データと整合させるための最適輸送重み付けフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-27T14:13:46Z)
• Choosing a Proxy Metric from Past Experiments [54.338884612982405]
  多くのランダム化実験では、長期的な計量の処理効果は測定が困難または不可能であることが多い。 一般的な方法は、いくつかの短期的プロキシメトリクスを計測して、長期的メトリックを綿密に追跡することである。 ランダム化実験の同種集団において最適なプロキシメトリックを定義し構築するための新しい統計フレームワークを導入する。
  論文  参考訳（メタデータ） (2023-09-14T17:43:02Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• A Reinforcement Learning Approach to Estimating Long-term Treatment Effects [13.371851720834918]
  ランダム化実験による制限は、長期効果を測定するために容易に拡張できないことである。 マルコフ過程における平均報酬を推定する強化学習(RL)アプローチを採用する。 観測された状態遷移が非定常である実世界のシナリオに動機付けられ、非定常問題のクラスのための新しいアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-10-14T05:33:19Z)
• On the role of surrogates in the efficient estimation of treatment effects with limited outcome data [43.17788100119767]
  一次利害関係にない結果のみを代理する単位にデータを組み込むことは、ATE推定の精度を高めることができる。 我々は,これらの効率向上を実現するために,ロバストなATE推定と推論手法を開発した。
  論文  参考訳（メタデータ） (2020-03-27T13:31:49Z)

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。