A Privacy Budgeting Framework for Online Experimentation
在线实验的隐私预算框架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：摘要主要研究多臂老虎机实验与隐私预算，未明确涉及所列细分中的因果效应识别或其他专门方向。
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
在线实验的隐私预算框架
- 研究问题
- 企业利用多臂老虎机开展个性化在线实验时，如何限制第三方从展示内容推断消费者类型，并兼顾实验学习与探索利用的平衡？
- 方法与思路
- 作者用差分隐私定义事前隐私风险预算，设计恒定与动态预算支出策略，并将单个实验的预算扩展为跨实验配置的企业总预算。
- 材料陈述的贡献
- 摘要称，解析求得两类策略的最优预算，并在网站、推荐系统及包含七十八个实验的应用中，报告动态支出与跨实验配置的学习收益。
- 阅读关注点
- 应核对第三方的信息集、差分隐私如何约束信念更新、预算组合规则、优化目标，以及实证中学习表现与隐私风险的衡量方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未交代隐私保证的完整条件、消费者模型与学习收益的具体幅度。
原文摘要
Firms perform online experiments with multi-armed bandits to personalize what consumers are shown while balancing exploration and exploitation. However, third-parties can infer consumers' underlying segments from observing which banners, ads, or recommendations consumers receive. To control this inference, we propose a privacy risk budget that firms can set ex ante to bound such third party belief updating using differential privacy. To spend this privacy risk budget, we propose two strategies: a constant privacy risk strategy and a dynamic privacy risk strategy that spend privacy risk differently across visitor. We study how privacy risk budgets affect experimentation performance in two applications--website design and a recommendation system--under these strategies. For both strategies, we analytically find privacy risk budgets that optimally balance exploration and exploitation. We then extend the idea of an experiment-level privacy risk budget to a firm-wide privacy risk budget. We apply this firm-wide privacy risk budget in an empirical setting with 78 experiments. We find that the dynamic strategy is particularly valuable in longer and more complex experiments, and that optimizing the allocation of a firm-wide privacy risk budget across experiments substantially improves learning performance.