Optimal Design under Interference, Homophily, and Robustness Trade-offs
干扰、同质性与稳健性权衡下的最优实验设计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：摘要明确围绕网络干扰下的总体平均处理效应和随机实验分配设计，直接涉及网络与因果推断。
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…
干扰、同质性与稳健性权衡下的最优实验设计
- 研究问题
- 网络干扰与同质性同时存在时，整群随机化为何可能增加总体平均处理效应估计误差，如何设计更好的处理分配？
- 方法与思路
- 作者建立包含干扰、同质性及异质变异的潜在结果模型，优化 Horvitz–Thompson 估计的最坏情形 MSE，并提出两类分配算法。
- 材料陈述的贡献
- 摘要称将设计转化为处理分配协方差矩阵上的优化，给出半定规划结合高斯舍入及 Gram–Schmidt Walk 两种方案，并进行网络实验评估。
- 阅读关注点
- 应核对总体平均处理效应的定义、最坏情形的模型集合与协方差可实现性，以及算法近似性质和同质性对误差权衡的作用。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未经核实；摘要未提供完整模型限制或性能数值，不能判断任意网络上的最优设计。
原文摘要
To minimize the mean squared error (MSE) in global average treatment effect (GATE) estimation under network interference, a popular approach is to use a cluster-randomized design. However, in the presence of homophily, which is common in social networks, cluster randomization can instead increase the MSE. We develop a novel potential outcomes model that accounts for interference, homophily, and heterogeneous variation. In this setting, we establish a framework for optimizing designs for worst-case MSE under the Horvitz-Thompson estimator. This leads to an optimization problem over the covariance matrices of the treatment assignment, trading off interference, homophily, and robustness. We frame and solve this problem using two complementary approaches. The first involves formulating a semidefinite program (SDP) and employing Gaussian rounding, in the spirit of the Goemans-Williamson approximation algorithm for MAXCUT. The second is an adaptation of the Gram-Schmidt Walk, a vector-balancing algorithm which has recently received much attention. Finally, we evaluate the performance of our designs through various experiments on simulated network data and a real village network dataset.