論文の概要: Choosing Online Experiment Designs under Interference in Ads, Recommendations, and Member-Experience Systems
- arxiv url: http://arxiv.org/abs/2605.25290v1
- Date: Sun, 24 May 2026 23:11:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:19.063828
- Title: Choosing Online Experiment Designs under Interference in Ads, Recommendations, and Member-Experience Systems
- Title（参考訳）: 広告・レコメンデーション・会員体験システムにおける干渉下におけるオンライン実験デザインの選択
- Authors: Prashant Shekhar, Caroline Howard,
- Abstract要約: 我々は、この問題を不確実な露光メカニズムよりも頑健な設計選択として定式化する。
本論文は,メカニズム・ロバスト設計決定に基づく干渉認識型実験設計フレームワークに貢献する。
- 参考スコア（独自算出の注目度）: 0.5013248430919224
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online experiments in ads, recommendation, and member-experience systems are often planned before the dominant interference mechanism is known. A treatment may propagate through budgets, inventory, producer exposure, graph spillovers, or temporal carryover, making the randomization design itself a statistical decision. We formulate this problem as robust design selection over uncertain exposure mechanisms. Given a finite catalog of six implementable designs, the selector compares each design by worst-case planning risk over an ambiguity set. The risk combines exposure bias, assignment-unit variance, minimum detectable effect, contamination or carryover, operational cost, and estimand mismatch. For theoretical justification, the paper develops a geometry-aware guarantee, stating that design bias is bounded by Wasserstein distance to the launch exposure distribution, and this penalty is minimax tight under Lipschitz exposure response. We also prove finite-catalog approximation and a robust selector theorem with excess-risk control, exact recovery under separation, and certified shortlists when the risk surface is flat. Empirically, the same selector gives different recommendations across samples from public datasets. It selects user-randomization on Criteo ads with dimensionless robust risk 1.295, switchbacks on Open Bandit-bts/men with risk 2.105, and cluster-randomization on KuaiRand with risk 2.240. The Open Bandit case stresses known but uneven logging support, with propensities from 0.00006 to 0.594 and a 5.17% IPS effective-sample share. Overall, the paper contributes an interference-aware experiment design framework based on mechanism-robust design decisions, where the output is either a justified design choice or an uncertainty shortlist.
- Abstract（参考訳）: 広告、レコメンデーション、およびメンバー体験システムのオンライン実験は、支配的な干渉メカニズムが知られる前に計画されることが多い。
治療は予算、在庫、生産者露出、グラフの流出、時間的移動を通じて伝播し、ランダム化設計自体が統計的決定となる。
我々は、この問題を不確実な露光メカニズムよりも頑健な設計選択として定式化する。
6つの実装可能な設計の有限カタログが与えられたとき、セレクタは各設計をあいまいさセットよりも最悪の計画リスクで比較する。
リスクは、露光バイアス、割り当て単位のばらつき、最小限の検知可能な効果、汚染または輸送、運用コスト、推定ミスマッチを組み合わせる。
理論的正当化のために, 設計バイアスはワッサーシュタイン距離と発射露光分布との有界であり, このペナルティはリプシッツ露光応答下では極小である, 幾何学的保証を開発する。
また, リスク面が平坦な場合に, リスク制御, 分離下での正確なリカバリ, 証明されたショートリストによる有限触媒近似とロバストセレクタ定理を証明した。
実証的には、同じセレクタが公開データセットのサンプル間で異なるレコメンデーションを提供する。
リスク1.295のCriteo広告のユーザランダム化、リスク2.105のOpen Bandit-bts/menのスイッチバック、リスク2.240のKuaiRandのクラスタランダム化を選択している。
Open Banditのケースは、0.00006から0.594まで、そして5.17%のIPS有効サンプルシェアを持つ、既知のが不均一なロギングサポートを強調している。
全体として,本論文は,設計を正当化した設計選択か不確実なショートリストかのどちらかで,機構を損なう設計決定に基づく干渉認識型実験設計フレームワークに寄与する。
関連論文リスト
- Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。
既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。
エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-07T13:38:18Z) - Conformal Selective Prediction with General Risk Control [8.936337121607677]
我々は、トレーニングされたモデルと、ユーザ定義、バウンダリ、継続的な評価のリスクに対して、そのような決定を導出するための新しいフレームワークを提案する。
SCoREは、システムがモデルを信頼することを選択したケースのリスクに関する2つの保証を提供する。
提案手法をシミュレーションにより評価し, 薬物発見, 健康リスク予測, 大規模言語モデルにおける誤り管理への応用を通じて, 有効性を示す。
論文 参考訳（メタデータ） (2026-03-25T18:29:23Z) - DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding [59.16244104797919]
本稿では,リスク制約付き復号法(DARC)*による分散アライメント(Disagreement-Aware Alignment)を提案する。
DARCは応答選択を、分布的に堅牢で、リスクに敏感な意思決定として捉えている。
アライメントベンチマークの実験では、DARCは競合平均品質を維持しながら、不一致と尾のリスクを低減する。
論文 参考訳（メタデータ） (2026-03-09T09:21:29Z) - Conformal Thinking: Risk Control for Reasoning on a Compute Budget [60.65072883773352]
大規模言語モデル(LLM)の推論により、トークンの予算が増加するにつれて、データセットレベルの精度が向上する。
我々は、予算設定問題をリスクコントロールとして再設定し、計算を最小化しながらエラー率を制限する。
我々のフレームワークは、モデルが自信のあるときに推論を停止する上位しきい値と、未解決のインスタンスを事前に停止させる新しい下位しきい値を導入する。
論文 参考訳（メタデータ） (2026-02-03T18:17:22Z) - How Worst-Case Are Adversarial Attacks? Linking Adversarial and Perturbation Robustness [4.60092781176058]
アドリア攻撃はモデル脆弱性の特定に広く用いられているが、ランダムな摂動に対する堅牢性のためのプロキシとしての有効性については議論が続いている。
逆の例が、同じ大きさの摂動下での誤予測リスクを代表的に見積もっているかどうかを問う。
本研究では, 統計的に均一な雑音に近づいた体制において, 脆弱性を調査するための攻撃戦略を提案することにより, この接続の限界について検討する。
論文 参考訳（メタデータ） (2026-01-20T22:24:47Z) - Mitigating optimistic bias in entropic risk estimation and optimization with an application to insurance [5.407319151576265]
エントロピーリスク尺度は、不確実な損失に関連する尾のリスクを説明するために広く使用されている。
経験的エントロピーリスク推定器のバイアスを軽減するために, 強く一貫したブートストラップ手法を提案する。
当社の手法は、住宅所有者に対してより高い(そしてより正確な)プレミアムを示唆している。
論文 参考訳（メタデータ） (2024-09-30T04:02:52Z) - Estimating Treatment Effects under Recommender Interference: A Structured Neural Networks Approach [32.55211271796683]
一般に採用されている差分推定器は、推奨者干渉による推定に大きく偏りがあることが示される。
干渉経路を明示的に表現した「推薦者選択モデル」を提案する。
Weixin短ビデオプラットフォーム上での大規模フィールド実験により本手法の有効性を検証した。
論文 参考訳（メタデータ） (2024-06-20T14:53:26Z) - Data-Adaptive Tradeoffs among Multiple Risks in Distribution-Free Prediction [55.77015419028725]
しきい値とトレードオフパラメータが適応的に選択された場合、リスクの有効な制御を可能にする手法を開発する。
提案手法は単調なリスクとほぼ単調なリスクをサポートするが,それ以外は分布的な仮定はしない。
論文 参考訳（メタデータ） (2024-03-28T17:28:06Z) - Risk-Sensitive Diffusion: Robustly Optimizing Diffusion Models with Noisy Samples [58.68233326265417]
非画像データは実際のアプリケーションで広く使われており、ノイズが多い傾向にある。
リスク感受性SDEは、リスクベクトルによってパラメータ化された微分方程式(SDE)の一種である。
我々はガウス雑音分布と非ガウス雑音分布の両方について系統的研究を行う。
論文 参考訳（メタデータ） (2024-02-03T08:41:51Z) - On the Variance, Admissibility, and Stability of Empirical Risk Minimization [57.63331017830154]
経験的リスク最小化(ERM: Empirical Risk Minimization)は、平均2乗誤差で最小限の最適値が得られる。
比較的軽度な仮定の下では、ERMの準最適性はその大きなバイアスによるものでなければならない。
論文 参考訳（メタデータ） (2023-05-29T15:25:48Z)
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。