Optimal Experimental Design for Network Experiments under Interference
存在干扰时网络实验的最优设计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：摘要明确研究网络干扰下的处理分配与直接、间接和总因果效应估计。
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…
关注这篇论文的作者
存在干扰时网络实验的最优设计
- 研究问题
- 当个体结果受到邻居处理分配影响时，如何结合分配平衡与网络拓扑设计大规模实验，并估计直接、间接及总效应？
- 方法与思路
- 作者以 Fisher 信息矩阵构造兼顾平衡与拓扑的最优性准则，使用局部搜索求解组合分配问题，并考察干扰下的效应估计。
- 材料陈述的贡献
- 摘要称算法可扩展至大型网络，并通过多类随机图模拟及宿舍、Facebook 自我中心网络应用展示拓扑感知设计的优势。
- 阅读关注点
- 应核对信息矩阵依赖的结果模型、分配是否保留随机性、效应识别与估计规则，以及局部搜索解的质量和计算规模。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明最优性所依赖的模型，也未给出算法保证或优势的数值幅度。
原文摘要
Experimental design under network interference is challenging because outcomes may depend on the treatment assignments of neighboring units. Existing approaches account for network structure but are typically assessed on small or simplified networks, limiting their applicability to complex real-world settings. We propose a network-aware treatment allocation framework that jointly accounts for allocation balance and network topology via an optimality criterion based on the Fisher information matrix. To address the resulting combinatorial optimization problem, we develop an efficient local search algorithm that scales to large networks. We further study the causal properties of the resulting designs by examining the estimation of total, direct, and indirect treatment effects in the presence of interference. Simulation studies across a range of random graph models, including Erdős--Rényi, geometric random graphs, preferential attachment, and stochastic block models, illustrate how network topology influences optimal treatment allocations. Applications to college housing and ego-Facebook networks demonstrate the practical advantages of topology-aware experimental designs.