Scalable Decisions using a Bayesian Decision-Theoretic Approach
基于贝叶斯决策理论的可扩展实验决策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：摘要以随机对照实验的处理效应估计为基础，研究多指标政策或上线决策。
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
基于贝叶斯决策理论的可扩展实验决策
- 研究问题
- 随机实验中多个相关指标方向不一致时，如何把业务目标、成本和指标权衡纳入统一且可扩展的上线决策？
- 方法与思路
- 作者用实验者设定的损失函数比较各决策的期望风险，并以层次模型吸收历史实验信息，为处理效应构建先验。
- 材料陈述的贡献
- 摘要称在 Amazon 供应链真实及模拟实验中，信息性层次先验提高估计效率，决策框架也更系统地纳入业务偏好与成本。
- 阅读关注点
- 应核对损失函数与指标相关性如何建模、历史实验向当前实验的可迁移性，以及效率比较和决策表现采用什么标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核验；摘要未说明损失函数或改善幅度，决策效果取决于偏好与先验设定。
原文摘要
Randomized controlled experiments assess new policy impacts on performance metrics to inform launch decisions. Traditional approaches evaluate metrics independently despite correlations, and mixed results (e.g., positive revenue impact, negative customer experience) require manual judgment, hindering scalability. We propose a Bayesian decision-theoretic framework that systematically incorporates multiple objectives and trade-offs by comparing expected risks across decisions. Our approach combines experimenter-defined loss functions with observed evidence, using hierarchical models to leverage historical experiment learnings for prior information on treatment effects. Through real and simulated Amazon supply chain experiments, we demonstrate that compared to null hypothesis statistical testing, our method increases estimation efficiency via informative hierarchical priors and simplifies decision-making by systematically incorporating business preferences and costs for comprehensive, scalable decisions.