The Bias-Variance Tradeoff in Long-Term Experimentation
长期实验中的偏差与方差权衡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：摘要围绕实验估计、干预实施决策及长期效果展开，最直接对应实验背景下的因果推断方向。
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
长期实验中的偏差与方差权衡
- 研究问题
- 当实验估计的偏差可能随连续决策累积时，为提高精度而接受偏差是否仍有益，实施门槛又应如何随系统成熟度调整？
- 方法与思路
- 作者建立长期实验与优化决策的模型，分析引入偏差以改善信噪比的后果，并比较系统不同阶段的实施标准。
- 材料陈述的贡献
- 摘要称长期情形仍存在偏差与方差权衡；远离最优状态时较宽松的实施标准有益，而系统成熟后更严格的标准更可取。
- 阅读关注点
- 应核对偏差如何累积、长期收益和最优状态如何定义，以及信噪比改善与实施门槛结论依赖哪些模型设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明具体模型条件，不能将结论推广至所有有偏实验估计。
原文摘要
As we exhaust methods that reduces variance without introducing bias, reducing variance in experiments often requires accepting some bias, using methods like winsorization or surrogate metrics. While this bias-variance tradeoff can be optimized for individual experiments, bias may accumulate over time, raising concerns for long-term optimization. We analyze whether bias is ever acceptable when it can accumulate, and show that a bias-variance tradeoff persists in long-term settings. Improving signal-to-noise remains beneficial, even if it introduces bias. This implies we should shift from thinking there is a single ``correct'', unbiased metric to thinking about how to make the best estimates and decisions when better precision can be achieved at the expense of bias. Furthermore, our model adds nuance to previous findings that suggest less stringent launch criterion leads to improved gains. We show while this is beneficial when the system is far from the optimum, more stringent launch criterion is preferable as the system matures.