論文の概要: Optimal Multi-way Decision Trees for Stratified Sampling in Online Controlled Experiments

• arxiv url: http://arxiv.org/abs/2609.23308v1
• Date: Sun, 20 Sep 2026 02:52:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.766996
• Title: Optimal Multi-way Decision Trees for Stratified Sampling in Online Controlled Experiments
• Title（参考訳）: オンライン制御実験における階層化サンプリングのための最適マルチウェイ決定木
• Abstract要約: 層状サンプリングは古典的な分散低減手法であるが、その有効性は層がどのように構築されるかに大きく依存する。 最適マルチウェイ決定木を用いた階層化サンプリングのための最適化に基づく階層化フレームワークを提案する。 実世界のデータセットとシミュレーションデータセットの両方の実験は、OMSTが既存の手法に匹敵する、あるいは優れた分散還元を達成することを示した。
• 参考スコア（独自算出の注目度）: 1.8224668251608893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online controlled experiments, or A/B tests, are widely used to estimate causal effects on digital platforms. A central challenge is to improve experimental sensitivity, or statistical power, without increasing the experimental sample size. Stratified sampling is a classical variance reduction technique; however, its effectiveness depends critically on how the strata are constructed. We thus propose an optimization-based stratification framework for stratified sampling using optimal multi-way decision trees. Our method, called Optimal Multi-way Stratification Trees (OMST), formulates stratification as a path-selection problem over a feature graph. The selected paths define interpretable stratification rules and are optimized using an exact variance-minimizing binary optimization formulation under continuous proportional allocation and a Neyman-type optimal allocation. We incorporate supervised optimal binning to generate outcome-relevant candidate splits for numerical features. Furthermore, we introduce reduction procedures for redundant candidate paths and assignment constraints, substantially reducing the optimization problem size. Experiments on both a real-world and a simulated dataset demonstrate that OMST achieves comparable or superior variance reduction to existing methods while maintaining shallow and interpretable stratification trees.
• Abstract（参考訳）: オンライン制御実験(A/B test)は、デジタルプラットフォームに対する因果効果を推定するために広く用いられている。 中心的な課題は、実験サンプルのサイズを増大させることなく、実験感度、または統計力を改善することである。 層状サンプリングは古典的な分散低減手法であるが、その有効性は層がどのように構築されるかに大きく依存する。 そこで本稿では,最適マルチウェイ決定木を用いた階層化サンプリングのための最適化に基づく階層化フレームワークを提案する。 提案手法はOMST(Optimal Multi-way Stratification Trees)と呼ばれ,特徴グラフ上の経路選択問題として定式化を行う。 選択された経路は、解釈可能な成層規則を定義し、連続的な比例割当の下での正確な分散最小化バイナリ最適化とナイマン型最適割当を用いて最適化される。 数値特徴量に対する結果関連候補分割を生成するために,教師付き最適ビンニングを取り入れた。 さらに、冗長な候補経路と割り当て制約の削減手順を導入し、最適化問題のサイズを大幅に削減する。 実世界とシミュレーションデータセットの両方の実験により、OMSTは浅層化木と解釈可能な成層木を維持しながら、既存の手法に匹敵する、あるいは優れた分散還元を実現することが示された。

関連論文リスト

• Guiding Posterior Exploration with Optimizer-Derived Geometry [18.020650844390378]
  本研究では, 長期間のサンプリングバーンインフェーズの必要性を著しく低減したり, 除去することのできる, ジオメトリーに基づくプリコンディショニングサンプリング戦略を提案する。 このアプローチは、追加の計算コストなしで予測性能と不確実性定量化を一貫して維持または改善する。
  論文  参考訳（メタデータ） (2026-07-28T05:48:36Z)
• Zero-Order Optimization for LLM Fine-Tuning via Learnable Direction Sampling [40.94400211806987]
  摂動方向のサンプリング分布を学習可能なポリシとして扱う政策駆動型ZOフレームワークを提案する。 学習したサンプリングは、品質勾配情報を改善し、$d$の収束境界への明示的な依存を緩和することを示す。 以上の結果から,適応方向サンプリングはZOの微調整を大規模に実現する上で有望な方法であることが示唆された。
  論文  参考訳（メタデータ） (2026-02-14T08:01:41Z)
• Subset Selection for Stratified Sampling in Online Controlled Experiments [3.0843410990863407]
  階層化サンプリングは, オンライン制御実験の感度を向上させるため, 分散低減のための手法である。 分散還元に有効な成層変数のサブセットを選択する問題に焦点をあてる。 我々は,一連の階層化サンプリングプロセスをシミュレートして,階層化変数を1つずつ選択する効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2025-09-19T04:22:31Z)
• Gradient-based Sample Selection for Faster Bayesian Optimization [10.137754677594861]
  本稿では,勾配に基づくサンプル選択ベイズ最適化(GSSBO)を提案し,BOの計算効率を向上させる。 提案手法は,ベースライン法に匹敵する最適化性能を維持しつつ,BOにおけるGPフィッティングの計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2025-04-10T13:38:15Z)
• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• Multistage Stochastic Optimization via Kernels [3.7565501074323224]
  我々は,多段階最適化問題に対する非パラメトリック,データ駆動,トラクタブルアプローチを開発した。 本稿では,提案手法が最適に近い平均性能で決定ルールを生成することを示す。
  論文  参考訳（メタデータ） (2023-03-11T23:19:32Z)
• LSDAT: Low-Rank and Sparse Decomposition for Decision-based Adversarial Attack [74.5144793386864]
  LSDATは、入力サンプルのスパース成分と対向サンプルのスパース成分によって形成される低次元部分空間における摂動を加工する。 LSDは画像ピクセル領域で直接動作し、スパース性などの非$ell$制約が満たされることを保証します。
  論文  参考訳（メタデータ） (2021-03-19T13:10:47Z)

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。