Estimating Causal Effects in Networks with Cluster-Based Bandits
利用基于聚类的老虎机算法估计网络因果效应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：摘要直接研究网络干扰与溢出下的处理效应估计及自适应实验分配。
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…
利用基于聚类的老虎机算法估计网络因果效应
- 研究问题
- 网络干扰使常规 A/B 测试受溢出影响时，如何自适应分配处理，在学习总处理效应的同时减少低表现处理带来的收益损失？
- 方法与思路
- 作者提出两种基于聚类的多臂老虎机算法，权衡探索与利用，并在模拟干扰的半合成数据上与普通老虎机和随机实验比较。
- 材料陈述的贡献
- 摘要称聚类算法相对对应随机实验提高了收益行动比，同时较少损失效应估计精度；忽视聚类的方法则出现更高估计误差。
- 阅读关注点
- 应核对总处理效应的定义、网络聚类与干扰设定、自适应分配下的估计方法，以及收益和效应误差的评价口径。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实；摘要未给出完整识别或推断保证，半合成实验表现不能直接推广到真实网络。
原文摘要
The gold standard for estimating causal effects is randomized controlled trial (RCT) or A/B testing where a random group of individuals from a population of interest are given treatment and the outcome is compared to a random group of individuals from the same population. However, A/B testing is challenging in the presence of interference, commonly occurring in social networks, where individuals can impact each others outcome. Moreover, A/B testing can incur a high performance loss when one of the treatment arms has a poor performance and the test continues to treat individuals with it. Therefore, it is important to design a strategy that can adapt over time and efficiently learn the total treatment effect in the network. We introduce two cluster-based multi-armed bandit (MAB) algorithms to gradually estimate the total treatment effect in a network while maximizing the expected reward by making a tradeoff between exploration and exploitation. We compare the performance of our MAB algorithms with a vanilla MAB algorithm that ignores clusters and the corresponding RCT methods on semi-synthetic data with simulated interference. The vanilla MAB algorithm shows higher reward-action ratio at the cost of higher treatment effect error due to undesired spillover. The cluster-based MAB algorithms show higher reward-action ratio compared to their corresponding RCT methods without sacrificing much accuracy in treatment effect estimation.