A framework for causal segmentation analysis with machine learning in large-scale digital experiments
大型数字实验中基于机器学习的因果分群分析框架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：摘要明确研究实验及准实验中的群体处理效应、受益群体发现和动态分配的因果评价，因此归入因果推断。
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…
大型数字实验中基于机器学习的因果分群分析框架
- 研究问题
- 如何在大型数字实验中发现处理效应不同的用户群体，并评估根据预测的群体收益或损害动态分配处理所产生的因果影响？
- 方法与思路
- 作者结合因果推断和非参数、半参数统计，构建模型无关的分群发现及分配评价流程，可纳入机器学习并用于实验和准实验。
- 材料陈述的贡献
- 摘要称统一了受益群体发现与动态处理分配的因果评价两个目标，并介绍名为 sherlock 的开源 R 包实现。
- 阅读关注点
- 应核对群体发现和效应评价是否使用独立信息、动态分配的目标参数、准实验识别条件，以及选择后推断如何处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未提供算法细节、识别条件或效果数值；软件可用性也未据此核验。
原文摘要
We present an end-to-end methodological framework for causal segment discovery that aims to uncover differential impacts of treatments across subgroups of users in large-scale digital experiments. Building on recent developments in causal inference and non/semi-parametric statistics, our approach unifies two objectives: (1) the discovery of user segments that stand to benefit from a candidate treatment based on subgroup-specific treatment effects, and (2) the evaluation of causal impacts of dynamically assigning units to a study's treatment arm based on their predicted segment-specific benefit or harm. Our proposal is model-agnostic, capable of incorporating state-of-the-art machine learning algorithms into the estimation procedure, and is applicable in randomized A/B tests and quasi-experiments. An open source R package implementation, sherlock, is introduced.