論文の概要: Simpson's Paradox in Behavioral Curves: How Aggregation Distorts Parametric Models of User Dynamics

• arxiv url: http://arxiv.org/abs/2605.11017v1
• Date: Sun, 10 May 2026 14:44:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.303951
• Title: Simpson's Paradox in Behavioral Curves: How Aggregation Distorts Parametric Models of User Dynamics
• Title（参考訳）: 行動曲線におけるシンプソンのパラドックス : 凝集歪がユーザダイナミクスのパラメトリックモデルに与える影響
• Authors: Chao Zhou,
• Abstract要約: 我々はアグリゲーションが体系的な歪みをもたらすことを示す: 行動曲線におけるシンプソンのパラドックス。 本研究は, 個々の行動パラメータが, 差分誘引下での集合曲線から推定される場合に適用する。
• 参考スコア（独自算出の注目度）: 3.6406845585845846
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Behavioral curve modeling -- fitting parametric functions to engagement-versus-exposure data -- is standard practice in recommendation, advertising, and clinical dosing. We show that aggregation introduces a systematic distortion: Simpson's paradox in behavioral curves. On Goodreads (3.3M users, 9 genres), individual users peak at n* approximately 11 exposures while the aggregate peaks at n* approximately 34 -- a 3x gap driven by survival bias. Amazon Electronics (18M reviews) shows a 5.3x distortion. MovieLens-25M (D approximately 1) serves as a negative control, confirming that survival bias -- not aggregation per se -- is the operative mechanism. The distortion is robust to category granularity, engagement operationalization, and classifier calibration. We develop Synthetic Null Calibration to address a 32% false positive rate in per-user classification. Our findings apply wherever individual behavioral parameters are estimated from aggregate curves under differential attrition.
• Abstract（参考訳）: 行動曲線モデリング -- エンゲージス・エクスポージャーデータにパラメトリック関数を適用 -- は、推奨、広告、臨床用量において標準的な慣行である。我々は、アグリゲーションは、行動曲線におけるシンプソンのパラドックス(330万ユーザ、9ジャンル)の体系的歪みをもたらすことを示した。 Amazon Electronics (18Mレビュー)は5.3倍の歪みを示している。 MovieLens-25M (D around 1) は負の制御として機能し、生存率バイアス(それ自体の凝集ではなく)が手術機構であることを確認した。 歪みは、カテゴリの粒度、エンゲージメント操作、および分類器の校正に対して堅牢である。 ユーザごとの分類において, 32%の偽陽性率に対応するために, 合成核校正法を開発した。 本研究は, 個々の行動パラメータが, 差分誘引下での集合曲線から推定される場合に適用する。

関連論文リスト

• Partial Causal Structure Learning for Valid Selective Conformal Inference under Interventions [0.0]
  ゲノミクスの実験では、交換可能性はしばしば、対象変数を「影響を受けない」ままにしておく介入のサブセットにのみ保持される。 i)「影響のない」キャリブレーション例の誤分類が、明示的な関数$g(,n)$の汚染分数とキャリブレーションセットサイズを介してどのようにカバレッジを劣化させるか、および (ii) 2つの後続指標$Z_a,i=mathbf1iinmathrmdesc(a)$のみを推定するタスク駆動部分因果学習の定式化。
  論文  参考訳（メタデータ） (2026-03-02T18:58:22Z)
• Calibrating Behavioral Parameters with Large Language Models [0.0]
  損失回避、隠蔽、外挿などの行動パラメータは資産価格モデルの中心である。 大規模言語モデル(LLM)を校正計測器として扱うフレームワークを開発した。
  論文  参考訳（メタデータ） (2026-02-01T05:14:58Z)
• Flattery, Fluff, and Fog: Diagnosing and Mitigating Idiosyncratic Biases in Preference Models [12.445845925904466]
  言語モデルは、アライメントと評価において人間の嗜好判断のためのプロキシとして機能する。 それらは体系的な誤校正を示し、実質的な品質よりも表面的なパターンを優先する。 このバイアスは長さ、構造、スタイルといった機能への過度な依存として現れ、報酬のハッキングや信頼できない評価といった問題につながります。
  論文  参考訳（メタデータ） (2025-06-05T17:59:32Z)
• Mitigate One, Skew Another? Tackling Intersectional Biases in Text-to-Image Models [73.20190633746442]
  テキスト・ツー・イメージ・モデルにおけるバイアス相互作用を解析・定量化するための新しいツールであるBiasConnectを紹介する。 ユーザが定義した目標分布と優先度重みを導出する交叉バイアス緩和アルゴリズムであるInterMitを提案する。
  論文  参考訳（メタデータ） (2025-05-22T20:56:38Z)
• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• Biases in Inverse Ising Estimates of Near-Critical Behaviour [0.0]
  逆推論は、ペアワイズ相互作用を経験的相関から再構成することを可能にする。 Pseudo-likelihood (PLM) などの推定値に偏りが認められた。 データ駆動法は神経科学による機能的磁気共鳴イメージング(fMRI)データセットに研究され応用された。
  論文  参考訳（メタデータ） (2023-01-13T14:01:43Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Removing Spurious Features can Hurt Accuracy and Affect Groups Disproportionately [83.68135652247496]
  自然な修正は、モデルからスプリアスな特徴を取り除くことである。 誘導バイアスによる突発的特徴の除去は精度を低下させる可能性が示唆された。 また,ロバストな自己学習によって,全体的な正確性に影響を与えずにスプリアスな特徴を除去できることを示した。
  論文  参考訳（メタデータ） (2020-12-07T23:08:59Z)

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。