Uplift Modeling Under Limited Supervision
有限监督下的增益建模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：摘要明确预测处理效应，并利用电商网络的节点关系和消息传递开展建模，对应因果推断及网络方法，但未明确研究干扰效应。
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…
有限监督下的增益建模
- 研究问题
- 在电商处理分配成本高、实验标签稀少时，如何利用已有网络结构预测处理效应，并在极低实验预算下选择更有价值的标注对象？
- 方法与思路
- 作者将问题表示为少量标签下的节点回归，设计双模型图神经网络并比较消息传递层，再结合获取函数引导训练样本的形成。
- 材料陈述的贡献
- 摘要称该框架各组件可独立结合其他模型或政策，真实大型网络实验显示其在有限监督下优于所比较方法，但未提供具体改善数值。
- 阅读关注点
- 应核对实验标签和处理效应目标的构造、图连接的信息含义、训练与测试划分，以及样本获取策略的成本和比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未说明因果识别条件，使用网络信息本身不能证明已识别或处理网络干扰。
原文摘要
Estimating causal effects in e-commerce tends to involve costly treatment assignments which can be impractical in large-scale settings. Leveraging machine learning to predict such treatment effects without actual intervention is a standard practice to diminish the risk. However, existing methods for treatment effect prediction tend to rely on training sets of substantial size, which are built from real experiments and are thus inherently risky to create. In this work we propose a graph neural network to diminish the required training set size, relying on graphs that are common in e-commerce data. Specifically, we view the problem as node regression with a restricted number of labeled instances, develop a two-model neural architecture akin to previous causal effect estimators, and test varying message-passing layers for encoding. Furthermore, as an extra step, we combine the model with an acquisition function to guide the creation of the training set in settings with extremely low experimental budget. The framework is flexible since each step can be used separately with other models or treatment policies. The experiments on real large-scale networks indicate a clear advantage of our methodology over the state of the art, which in many cases performs close to random, underlining the need for models that can generalize with limited supervision to reduce experimental risks.