Tackling Interference Induced by Data Training Loops in A/B Tests: A Weighted Training Approach
应对 A/B 测试中数据训练循环引发的干扰：加权训练方法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：摘要直接讨论 A/B 测试的处理与对照数据反馈干扰及偏差控制，对应干扰与因果推断。
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
应对 A/B 测试中数据训练循环引发的干扰：加权训练方法
- 研究问题
- 推荐系统混合使用处理组与对照组生成的数据进行持续训练时，如何降低训练反馈引发的 A/B 测试干扰及估计偏差？
- 方法与思路
- 作者先预测每条数据出现在处理或对照数据中的概率，再在模型训练时使用加权损失，以控制训练数据分布的变化。
- 材料陈述的贡献
- 摘要称，方法在不改变训练分布的估计量类别中具有最小方差；模拟展示其相较其他方法具有较低偏差和方差。
- 阅读关注点
- 应核对训练反馈如何产生干扰、概率模型和权重的定义，以及最小方差结论所限定的估计量类别与必要条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明最优性条件、概率估计误差处理及真实系统实验结果。
原文摘要
In modern recommendation systems, the standard pipeline involves training machine learning models on historical data to predict user behaviors and improve recommendations continuously. However, these data training loops can introduce interference in A/B tests, where data generated by control and treatment algorithms, potentially with different distributions, are combined. To address these challenges, we introduce a novel approach called weighted training. This approach entails training a model to predict the probability of each data point appearing in either the treatment or control data and subsequently applying weighted losses during model training. We demonstrate that this approach achieves the least variance among all estimators that do not cause shifts in the training distributions. Through simulation studies, we demonstrate the lower bias and variance of our approach compared to other methods.