Estimating Treatment Effects under Algorithmic Interference: A Structured Neural Networks Approach
算法干扰下的治疗效应估计：结构化神经网络方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究随机实验中的总体治疗效应，并明确指出竞争者处理状态通过曝光竞争影响结局，直接对应因果推断和干扰方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
算法干扰下的治疗效应估计：结构化神经网络方法
- 研究问题
- 当平台创作者竞争曝光使随机实验存在算法干扰时，如何从创作者侧实验估计全平台推广算法的总体治疗效应？
- 方法与思路
- 作者将竞争曝光分配的算法选择模型与给定曝光的观众响应模型结合，构造双重机器学习去偏估计，并处理重叠考虑集导致的相关样本。
- 材料陈述的贡献
- 摘要称扩展了相关样本下的 DML 渐近理论；模拟与短视频平台实验中，新估计接近双侧实验基准，而常用均值差可能出现符号反转。
- 阅读关注点
- 应核对总体推广效应的定义、竞争分配结构与识别条件、考虑集重叠的依赖限制，以及双侧实验基准与估计目标是否一致。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未详述结构限制和实验数值，接近基准不保证适用于其他平台。
原文摘要
Online user-generated content platforms allocate billions of dollars of promotional traffic through algorithms in two-sided marketplaces. To evaluate updates to these algorithms, platforms frequently rely on creator-side randomized experiments. However, because treated and control creators compete for exposure, such experiments suffer from algorithmic interference: exposure outcomes depend on competitors' treatment status. We show that commonly used difference-in-means estimators can therefore be severely biased and may even recommend deploying inferior algorithms. To address this challenge, we develop a structured semiparametric framework that explicitly models the competitive allocation mechanism underlying exposure. Our approach combines an algorithm choice model that characterizes how exposure is allocated across competing content with a viewer response model that captures engagement conditional on exposure. We construct a debiased estimator grounded in the double machine learning framework to recover the global treatment effect of platform-wide rollout. Methodologically, we extend DML asymptotic theory to accommodate correlated samples arising from overlapping consideration sets. Using Monte Carlo simulations and a large-scale field experiment on a major short-video platform, we show that our estimator closely matches an interference-free benchmark obtained from a costly double-sided experimental design. In contrast, standard estimators exhibit substantial bias and, in some cases, even reverse the sign of the effect.