Optimized Covariance Design for AB Test on Social Network under Interference
网络干扰下社交网络 A/B 测试的协方差优化设计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：摘要明确研究网络干扰下随机实验的处理效应估计与设计。
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
网络干扰下社交网络 A/B 测试的协方差优化设计
- 研究问题
- 当社交网络中的处理产生邻居干扰时，如何设计随机分配方案，在估计全局平均处理效应时平衡偏差与方差？
- 方法与思路
- 作者在一跳干扰的潜在结果模型下推导 HT 估计量的偏差与方差，通过优化处理分配协方差来最小化均方误差上界，并用投影梯度下降实现。
- 材料陈述的贡献
- 摘要提出将未知干扰效应部分与实验设计部分分离的优化目标，并称模拟在多种设置及模型错设程度下显示方法优势。
- 阅读关注点
- 应核对一跳干扰模型和效应目标的定义、均方误差上界如何构造，以及优化所得协方差如何对应可实施的随机分配。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核验；摘要未给出上界条件、具体模拟结果或真实平台验证，优势范围尚不能判断。
原文摘要
Online A/B tests have become increasingly popular and important for social platforms. However, accurately estimating the global average treatment effect (GATE) has proven to be challenging due to network interference, which violates the Stable Unit Treatment Value Assumption (SUTVA) and poses a great challenge to experimental design. Existing network experimental design research was mostly based on the unbiased Horvitz-Thompson (HT) estimator with substantial data trimming to ensure unbiasedness at the price of high resultant estimation variance. In this paper, we strive to balance the bias and variance in designing randomized network experiments. Under a potential outcome model with 1-hop interference, we derive the bias and variance of the standard HT estimator and reveal their relation to the network topological structure and the covariance of the treatment assignment vector. We then propose to formulate the experimental design problem to optimize the covariance matrix of the treatment assignment vector to achieve the bias and variance balance by minimizing a well-crafted upper bound of the mean squared error (MSE) of the estimator, which allows us to decouple the unknown interference effect component and the experimental design component. An efficient projected gradient descent algorithm is presented to implement the desired randomization scheme. Finally, we carry out extensive simulation studies 2 to demonstrate the advantages of our proposed method over other existing methods in many settings, with different levels of model misspecification.