論文の概要: Always-On Experimentation

• arxiv url: http://arxiv.org/abs/2609.38695v1
• Date: Wed, 30 Sep 2026 00:23:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.875547
• Title: Always-On Experimentation
• Title（参考訳）: 常用実験
• Abstract要約: 本研究では, 偽発見率を制御しながら, 各治療を受理するか拒否するかを決定する問題について検討する。 我々は,任意の停止時間と"予測可能な"処理スケジュールの下で,時間均一なType-Iエラー制御を実現するシーケンシャルテストを開発した。
• 参考スコア（独自算出の注目度）: 48.953707863418735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative AI has dramatically accelerated the rate at which new treatments---from novel pharmaceuticals to online marketing campaigns---can be conceived and deployed. As a result, modern experimentation platforms often run continuously, with treatments added as they are ready and removed when they underperform. We formalize this "Always-On" experimental setting, in which treatments can be dynamically generated, added to, and removed from a running experiment, and study the statistical problem of deciding whether to accept or reject each treatment while controlling for the false discovery rate. We develop sequential tests that achieve time-uniform Type-I error control under arbitrary stopping times and "predictable" treatment schedules. Our approach builds on the testing-by-betting framework: we construct test supermartingales for testing the average treatment effect of each treatment, and show that the construction of these test supermartingales is growth-rate optimal in an almost-sure sense.
• Abstract（参考訳）: ジェネレーティブAIは、新しい薬品からオンラインマーケティングキャンペーンまで、新しい治療法が考案され、デプロイされる速度を劇的に加速した。 結果として、現代の実験プラットフォームは、しばしば継続的に実行され、準備が整ったときに治療が追加され、パフォーマンスが低下すると除去される。 本研究では, 動的に処理を生成, 追加, 削除できる「常時オン」実験環境を定式化し, 偽発見率を制御しながら各治療を受理するか拒否するかを決定する統計的問題について検討する。 任意の停止時間と"予測可能な"処理スケジュールの下で、時間一様のType-Iエラー制御を実現するシーケンシャルテストを開発する。 提案手法は, 各処理の平均処理効果をテストするためのテストスーパーマーチングラーを構築し, これらのテストスーパーマーチングラーは, ほぼ確実な意味で, 成長速度が最適であることを示す。

関連論文リスト

• Admissibility of Completely Randomized Trials: A Large-Deviation Approach [4.970364068620608]
  治療用アームが少なくとも3つあるときはいつでも、適応的でない完全にランダムな試行を普遍的かつ厳密に支配するシンプルな適応型設計が存在することが分かる。 この優位性は、実験サンプルが大きい場合に設計の統計的効率を定量化する効率指数と呼ばれる概念によって特徴づけられる。
  論文  参考訳（メタデータ） (2025-06-05T17:58:43Z)
• Towards Regulatory-Confirmed Adaptive Clinical Trials: Machine Learning Opportunities and Solutions [59.28853595868749]
  本研究は,全人口と低給付人口の規制制約と治療方針値を統合した将来の臨床試験の新たな2つの目的を紹介する。 我々は、第III相臨床試験を設計するための新しい枠組みであるRFAN(Randomize First Augment Next)を定式化する。 我々のフレームワークは、標準的なランダム化コンポーネントと適応コンポーネントから構成されており、臨床試験中に患者を効率よく安全に獲得し、患者を治療アームに割り当てることを目的としている。
  論文  参考訳（メタデータ） (2025-03-12T10:17:54Z)
• 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)
• Optimal tests following sequential experiments [0.0]
  本研究の目的は, それらの特性を解析することにより, 逐次実験のための最適試験の開発を支援することである。 我々の重要な発見は、任意のテストのパワー関数が極限実験でテストによって一致できることである。 この結果は、強力な充足結果を含む重要な意味を持つ。
  論文  参考訳（メタデータ） (2023-04-30T06:09:49Z)
• Sequential Kernelized Independence Testing [77.237958592189]
  我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。 シミュレーションデータと実データの両方にアプローチのパワーを実証する。
  論文  参考訳（メタデータ） (2022-12-14T18:08:42Z)
• 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)
• Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design [63.48989885374238]
  病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。 本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
  論文  参考訳（メタデータ） (2020-04-26T23:41:33Z)
• Dynamic Causal Effects Evaluation in A/B Testing with a Reinforcement Learning Framework [68.96770035057716]
  A/Bテスト(A/B Testing)は、新しい製品を製薬、技術、伝統産業の古い製品と比較するビジネス戦略である。 本稿では,オンライン実験においてA/Bテストを実施するための強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-05T10:25:02Z)

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。