Leveraging semantic similarity for experimentation with AI-generated treatments
利用语义相似性开展人工智能生成处理的实验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：摘要直接以因果效应建模为核心，并提出在线实验中的处理表示学习与自适应分配。
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…
利用语义相似性开展人工智能生成处理的实验
- 研究问题
- 在处理内容由人类和语言模型共同生成、维度很高的数字实验中，如何保留语义结构并支持处理变体生成与自适应分配？
- 方法与思路
- 作者用处理与用户协变量的核表示内积建模因果效应，提出双核表示学习及交替最小化算法，并构造在线自适应实验设计。
- 材料陈述的贡献
- 摘要称算法在低秩因子模型下具有收敛保证，所学表示支持处理生成和自适应分配，并通过数值实验展示方法效果。
- 阅读关注点
- 应核对因果效应的定义与识别条件、核和低秩结构的选择、算法收敛对象，以及自适应分配后效应估计的有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明识别条件和实验指标，低秩模型下的收敛保证不能直接推广。
原文摘要
Large Language Models (LLMs) enable a new form of digital experimentation where treatments combine human and model-generated content in increasingly sophisticated ways. The main methodological challenge in this setting is representing these high-dimensional treatments without losing their semantic meaning or rendering analysis intractable. Here, we address this problem by focusing on learning low-dimensional representations that capture the underlying structure of such treatments. These representations enable downstream applications such as guiding generative models to produce meaningful treatment variants and facilitating adaptive assignment in online experiments. We propose double kernel representation learning, which models the causal effect through the inner product of kernel-based representations of treatments and user covariates. We develop an alternating-minimization algorithm that learns these representations efficiently from data and provides convergence guarantees under a low-rank factor model. As an application of this framework, we introduce an adaptive design strategy for online experimentation and demonstrate the method's effectiveness through numerical experiments.