Weighted Regression with Sybil Networks
女巫网络下的加权回归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：摘要直接研究多身份形成的未知网络对在线实验处理效应估计的影响，支持网络与干扰及因果推断两个方向。
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
女巫网络下的加权回归
- 研究问题
- 在线实验中同一行为主体可能控制多个身份，且身份关联网络未知时，如何利用关联概率改进回归估计，而无需直接剔除疑似网络？
- 方法与思路
- 作者构造基于观测集合由同一主体控制概率的加权回归，提出以预期网络拓扑的逆作为权重矩阵，并在模拟和区块链竞赛数据中应用。
- 材料陈述的贡献
- 摘要称，所述权重矩阵可最小化均方误差；模拟展示方法用途，Sui 区块链竞赛应用中估计标准误下降百分之六至二十四。
- 阅读关注点
- 应核对网络拓扑矩阵及关联概率的定义、权重最优性的假设、概率估计误差的处理，以及标准误下降是否对应有效推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明网络概率如何获得及最优性条件，较低标准误本身不能证明偏差或覆盖率改善。
原文摘要
In many online domains, Sybil networks -- or cases where a single user assumes multiple identities -- is a pervasive feature. This complicates experiments, as off-the-shelf regression estimators at least assume known network topologies (if not fully independent observations) when Sybil network topologies in practice are often unknown. The literature has exclusively focused on techniques to detect Sybil networks, leading many experimenters to subsequently exclude suspected networks entirely before estimating treatment effects. I present a more efficient solution in the presence of these suspected Sybil networks: a weighted regression framework that applies weights based on the probabilities that sets of observations are controlled by single actors. I show in the paper that the MSE-minimizing solution is to set the weight matrix equal to the inverse of the expected network topology. I demonstrate the methodology on simulated data, and then I apply the technique to a competition with suspected Sybil networks run on the Sui blockchain and show reductions in the standard error of the estimate by 6 - 24%.