Improved prediction of future user activity in online A/B testing
改进在线 A/B 测试中的未来用户活动预测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：摘要研究用户活动与实验参与规模预测，未直接研究处理效应估计，也无足够依据归入宏观或金融预测。
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…
改进在线 A/B 测试中的未来用户活动预测
- 研究问题
- 如何预测在线随机实验未来时间窗口内新增参与者的数量及其被观察的次数，从而为实验持续时间和参与规模规划提供信息？
- 方法与思路
- 作者提出可扩展的贝叶斯非参数方法，推导预测所需量的后验分布闭式表达，以避免 MCMC 等数值算法，并用模拟和真实实验评估。
- 材料陈述的贡献
- 摘要称方法同时预测新增用户数量与重复观察次数，提供闭式后验计算，并在所考察的真实与模拟数据中优于已有备选方法。
- 阅读关注点
- 应核对用户首次出现与重复活动的建模假设、预测区间校准、时间窗口变化的处理，以及比较方法是否使用相同信息和评价标准。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未说明具体模型、误差指标或对处理效应精度的实际影响。
原文摘要
In online randomized experiments or A/B tests, accurate predictions of participant inclusion rates are of paramount importance. These predictions not only guide experimenters in optimizing the experiment's duration but also enhance the precision of treatment effect estimates. In this paper we present a novel, straightforward, and scalable Bayesian nonparametric approach for predicting the rate at which individuals will be exposed to interventions within the realm of online A/B testing. Our approach stands out by offering dual prediction capabilities: it forecasts both the quantity of new customers expected in future time windows and, unlike available alternative methods, the number of times they will be observed. We derive closed-form expressions for the posterior distributions of the quantities needed to form predictions about future user activity, thereby bypassing the need for numerical algorithms such as Markov chain Monte Carlo. After a comprehensive exposition of our model, we test its performance on experiments on real and simulated data, where we show its superior performance with respect to existing alternatives in the literature.