Just Trial Once: Ongoing Causal Validation of Machine Learning Models
只试验一次：机器学习模型更新的持续因果验证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：摘要明确研究利用随机试验识别或界定模型部署及更新的因果影响。
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
只试验一次：机器学习模型更新的持续因果验证
- 研究问题
- 机器学习决策支持模型更新后，能否仅利用先前随机试验的数据，评估未纳入该试验的新模型对实际结局的因果影响？
- 方法与思路
- 作者提出使新模型影响可被界定或估计的条件，纳入预测通常确定以及效果依赖用户信任的约束，并讨论试验设计。
- 材料陈述的贡献
- 摘要称给出仅凭既有随机试验评估新模型因果影响的条件，并提出增强未来版本可评估性的试验设计建议。
- 阅读关注点
- 应核对用户信任的定义与可观测性、新旧模型之间的信息衔接，以及哪些条件支持点估计、哪些只能得到效应界。
- 阅读边界
- 这是arXiv预印本，不能据此认定已获同行评审或接收。摘要未列出具体条件，不能推断任意模型更新均可免于再次试验。
原文摘要
Machine learning (ML) models are increasingly used as decision-support tools in high-risk domains. Evaluating the causal impact of deploying such models can be done with a randomized controlled trial (RCT) that randomizes users to ML vs. control groups and assesses the effect on relevant outcomes. However, ML models are inevitably updated over time, and we often lack evidence for the causal impact of these updates. While the causal effect could be repeatedly validated with ongoing RCTs, such experiments are expensive and time-consuming to run. In this work, we present an alternative solution: using only data from a prior RCT, we give conditions under which the causal impact of a new ML model can be precisely bounded or estimated, even if it was not included in the RCT. Our assumptions incorporate two realistic constraints: ML predictions are often deterministic, and their impacts depend on user trust in the model. Based on our analysis, we give recommendations for trial designs that maximize our ability to assess future versions of an ML model. Our hope is that our trial design recommendations will save practitioners time and resources while allowing for quicker deployments of updates to ML models.