Prediction-Guided Active Experiments
预测引导的主动实验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：摘要主要讨论预测辅助抽样、结果观测配置及估计效率，未明确处理效应或其他所列领域细分的具体目标。
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…
预测引导的主动实验
- 研究问题
- 如何利用已有机器学习预测指导实验单位抽样及真实结果观测，并在预测器持续更新时兼顾实验配置与估计效率？
- 方法与思路
- 作者先在已知联合分布的非自适应情形最小化半参数效率界，再构造达到该界的估计量，并扩展到自适应更新情形。
- 材料陈述的贡献
- 摘要称，非自适应策略具有渐近最优性，自适应估计在一定正则条件下达到相同效率界，并以模拟和半合成实验展示表现。
- 阅读关注点
- 应核对具体估计目标、实验或观测的操作含义、资源约束和最优分配规则，以及自适应更新下效率结论的正则条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未明确估计目标或正则条件，所称优于既有方法须结合比较设计判断。
原文摘要
In this work, we introduce a new framework for active experimentation, the Prediction-Guided Active Experiment (PGAE), which leverages predictions from an existing machine learning model to guide sampling and experimentation. Specifically, at each time step, an experimental unit is sampled according to a designated sampling distribution, and the actual outcome is observed based on an experimental probability. Otherwise, only a prediction for the outcome is available. We begin by analyzing the non-adaptive case, where full information on the joint distribution of the predictor and the actual outcome is assumed. For this scenario, we derive an optimal experimentation strategy by minimizing the semi-parametric efficiency bound for the class of regular estimators. We then introduce an estimator that meets this efficiency bound, achieving asymptotic optimality. Next, we move to the adaptive case, where the predictor is continuously updated with newly sampled data. We show that the adaptive version of the estimator remains efficient and attains the same semi-parametric bound under certain regularity assumptions. Finally, we validate PGAE's performance through simulations and a semi-synthetic experiment using data from the US Census Bureau. The results underscore the PGAE framework's effectiveness and superiority compared to other existing methods.