研究人员开发了一种优化在线A/B测试的新方法,这是评估推荐策略等面向用户系统变化的常用实践。新方法联合优化动作采样和观测使用,以估计处理效应,旨在减少传统A/B测试中常见的高方差。该方法推导了一个方差最优的动作级日志策略,并利用历史日志进一步降低方差,从而以更少的在线流量获得更准确的估计和更高的统计功效。 AI
影响 能够更高效、更可靠地评估在线系统中的策略,可能加速产品开发周期。
排序理由 该集群包含一篇详细介绍A/B测试新方法的论文。
- A/B testing
- alphaXiv
- arXiv
- average treatment effect
- CatalyzeX Code Finder for Papers
- Connected Papers
- Control variates
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- IArxiv
- Litmaps
- Logging Policy
- pairwise off-policy evaluation
- ScienceCast
- scite Smart Citations
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →