Minimizing Interference and Selection Bias in Network Experiment Design
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
目前网络中A/B测试的方法集中在限制干扰，担心治疗效果可能从治疗节点“溢出”到控制节点，并导致有偏见的因果效应估计。网络实验设计的主要方法依赖于两阶段随机化，其中稀疏连接的集群被识别，集群随机化决定了节点分配给治疗组和对照组。在这里，我们表明，集群随机化并不能确保足够的节点随机化，它可能会导致选择偏差，治疗和控制节点代表不同的用户群体。为了解决这个问题，我们提出了一个原则性的网络实验设计框架，共同最大限度地减少干扰和选择偏差。我们介绍了边缘溢出概率和聚类匹配的概念，并证明了它们对设计网络A/B测试的重要性。我们在一些真实世界的数据集上的实验表明，我们提出的框架导致因果效应估计的误差显着低于现有的解决方案。
2020-04-15 cs.LG cs.SI stat.ML
Exploiting Neighborhood Interference with Low Order Interactions under Unit Randomized Design
针对网络干扰下的总处理效应估计，提出一种在伯努利随机化设计下利用低阶邻居交互的无偏估计量，并证明其方差有界、渐近正态，且模拟表现优于标准方法。
2024-02-05 cs.SI stat.ME
The Conflict Graph Design: Estimating Causal Effects under Arbitrary Neighborhood Interference
Columbia University（哥伦比亚大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出冲突图设计方法，通过构建实验设计以在任意邻域干扰下精确估计因果效应，改进了因果效应估计的速率并提供了新的方法。
2026-01-13 cs.DS math.ST stat.ME
Local Interference: Removing Interference Bias in Semi-Parametric Causal Models
该研究针对现有因果干扰偏差消除方法依赖强领域知识、约束多的问题，提出带局部干扰的半参数因果模型新定义，证明了特定半参数模型下真实平均因果效应可识别并给出估计量，还通过模拟和真实数据集完成验证。
2025-03-24 stat.ME stat.ML
Detecting Treatment Interference under the K-Nearest-Neighbors Interference Model
提出一种单元响应仅依赖其K邻域处理状态的干扰模型，指导焦点单元的选择，并通过模拟证明该方法在检测处理干扰上优于现有实验方法。
2023-10-22 stat.ME
Reducing Interference Bias in Online Marketplace Pricing Experiments
在线市场设计师经常运行A/B测试来衡量拟议产品更改的影响。然而，由于市场是内在联系的，通过伯努利随机实验获得的总平均处理效应估计值往往是有偏差的，因为违反了稳定的单位处理值假设。这对于影响卖家的策略选择、影响买家对其考虑集合中的项目的偏好或完全改变买家的考虑集合的实验来说尤其成问题。在这项工作中，我们通过使用观察数据来创建类似列表的集群，然后使用这些集群来进行集群随机现场实验，来测量和减少由于在线市场实验中的干扰而导致的偏差。我们提供了一个下限的偏差的大小，由于干扰进行元实验，随机化两个实验设计：一个伯努利随机，一个集群随机。在两个元实验组中，治疗卖家与对照卖家相比，受到不同的平台费用政策的影响，导致买家的价格不同。通过对两个荟萃实验组进行联合分析，我们发现两种设计获得的总平均处理效应估计值之间存在较大的统计学显著差异，并估计32.60%的Bernoulli随机处理效应估计值归因于干扰偏倚。我们还发现弱证据表明，干扰偏差的大小和/或方向取决于市场的供应或需求约束的程度，并分析第二个元实验，以突出检测干扰偏差时，治疗干预措施需要意向治疗分析的困难。
2020-04-26 econ.EM stat.AP stat.ME
Disentangling spatial interference and spatial confounding biases in causal inference
The University of Manchester（曼彻斯特大学）；Federal University of Agriculture, Abeokuta（阿贝奥库塔联邦农业大学）
本文通过DAG视角澄清空间混杂的误解，区分直接和间接空间混杂及空间干扰，并探讨其在因果推断中的影响。
2026-02-02 stat.ME
Multi-Scale Adaptive Neighborhood Awareness Transformer For Graph Fraud Detection
School of Computer Science and Technology, Tongji University, Shanghai, China（计算机科学与技术学院，同济大学，上海，中国）
MANDATE通过多尺度位置编码和自注意力机制提升图欺诈检测性能，缓解同质性偏差和多关系分布偏移，实现更有效的欺诈识别。
2026-03-03 cs.AI cs.LG
Estimating Causal Effects Under Interference Using Bayesian Generalized Propensity Scores
在大多数现实世界的系统中，单元是相互连接的，可以表示为由节点和边组成的网络。例如，在社会系统中，个人可以有社会联系、家庭或财务关系。在某些装置受到某种处理而其影响溢出到相连装置的情况下，估计处理的直接影响和溢出效应提出了若干挑战。首先，需要对溢出效应沿观测网络发生的方式和程度进行假设。其次，在观察性研究中，治疗分配不受研究者控制，混杂和同质性是识别和估计网络因果效应的潜在威胁。在这里，我们做了两个结构性假设：i）邻域干扰，假设干扰只通过近邻处理的函数起作用; ii）个体和邻域处理的无混淆性，排除了不可测量的混淆变量的存在，包括那些驱动同质性的变量。在这些假设下，我们开发了一个新的协变量调整估计的治疗和溢出效应的观察性研究网络。估计基于广义倾向得分，该分数在不同水平的个体治疗和暴露于邻居治疗的情况下平衡了各个单位的个体和邻居协变量。使用惩罚样条回归对倾向得分进行调整。推断利用了三步贝叶斯过程，该过程允许考虑倾向得分估计中的不确定性并避免模型反馈。最后，相互作用的单位的相关性考虑到使用社区检测算法，并将随机效应的结果模型。
2018-07-29 stat.ME
A systematic investigation of classical causal inference strategies under mis-specification due to network interference
我们系统地调查了由于错误指定而引起的问题，这些问题是在估计因果效应时出现的，当（治疗）干扰被网络可用的预干预告知时，即，在一个单位的结果可能取决于分配给其他单位的治疗的情况下。我们开发理论的几种形式的干扰通过曝光邻域的概念，并开发相应的半参数表示为潜在的结果作为曝光邻域的函数。使用这种表示，我们扩展了两个流行的类的因果被估量，边际和平均因果效应的定义，网络干扰的情况下。我们的特点的偏差和方差的结合时，经典的随机化策略（即，伯努利，完全随机化，和集群随机化设计）和估计（即，在均值差和Horvitz-Thompson）用于估计平均处理效应和总处理效应，由于干扰的误指定。我们说明了如何在均值差估计可以有任意大的偏差时，估计平均因果效应，这取决于干扰的形式和强度，这是未知的设计阶段。Horvitz-Thompson（HT）估计在给定正确的权值时是无偏的。在这里，我们推导出HT权重的无偏估计不同的被估量，并说明他们如何依赖于设计，干扰的形式，这是未知的设计阶段，和被估量。更重要的是，我们表明，HT估计是不容许的一大类随机化策略，在干扰的存在下。我们开发了新的模型辅助和模型依赖的策略来改进HT估计，我们开发了新的随机化策略来估计平均处理效应和总处理效应。
2018-10-18 stat.ME
Heterogeneous Treatment and Spillover Effects under Clustered Network Interference
针对聚类网络中的邻域干扰问题，提出基于树算法与 Horvitz-Thompson 估计量的 NCT 方法，用于识别处理与溢出效应的异质性，并经模拟和农村保险实例验证。
2023-11-02 stat.ME
Limiting Bias from Test-Control Interference in Online Marketplace Experiments
在A/B测试中，典型的目标是测量总平均处理效应（TATE），其测量如果所有用户都被处理的平均结果与如果所有用户都未被处理的平均结果之间的差异。然而，当对照单位的结果取决于治疗单位的结果时，一个简单的均值差估计量将给出TATE的有偏估计，我们称之为测试-对照干扰的问题。使用建立在Airbnb数据之上的模拟，本文考虑使用网络干扰文献中的方法进行在线市场实验。我们将市场建模为一个网络，在这个网络中，如果两个卖家的商品可以相互替代，那么他们之间就存在一个优势。然后，我们模拟卖方的结果，特别是考虑“现状”的情况下，“治疗”的情况下，迫使所有卖家降低价格。我们使用相同的模拟框架来近似TATE分布，这些分布是通过使用块图聚类随机化、暴露建模和平均值差异的Hajek估计量产生的。我们发现，虽然块图聚类随机化降低了高达62%的天真的均值差异估计的偏差，它也显着增加了估计的方差。另一方面，使用更复杂的估计产生混合的结果。虽然有些提供了（小）额外的偏差减少和方差的小减少，其他导致增加的偏差和方差。总的来说，我们的研究结果表明，实验设计和分析技术，从网络实验文献是有前途的工具，减少偏见，由于测试控制干扰市场实验。
2020-04-25 econ.EM stat.AP stat.ME
Interference Produces False-Positive Pricing Experiments
本文研究在线零售定价实验中因顾客跨价格替代行为导致的干扰偏差，通过模拟和实验数据证明偏差可达100%，并提出观测性方法作为聚类方法的替代方案。
2024-02-22 econ.EM stat.AP
Heterogeneous causal effects of neighborhood policing in New York City with staggered adoption of the policy
在纽约市，2015-2018年在警察分局一级采用了邻里警务，这对（1）评估政策的影响，以及（2）了解哪些类型的社区受政策影响最大，提出了异质处理效应的问题。我们开发了新的统计方法，是强大的不可测量的混杂偏见，研究在社区层面上实施的政策的因果关系的影响。我们发现，邻里警务减少了城市某些地区的自由裁量逮捕，但对犯罪或逮捕率的种族差异几乎没有影响。
2023-01-23 stat.ME
Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference
Duke University（杜克大学）
我们提出了一种匹配的方法，恢复直接处理效应从随机实验中的单位连接在一个观察到的网络，和单位，共享边缘可能会影响彼此的结果。传统的处理效应估计随机实验是有偏见的，在这种情况下容易出错。我们的方法匹配单位几乎完全在其邻域图内的唯一子图的计数。我们构建的匹配是可解释的和高质量的。我们的方法可以很容易地扩展到容纳额外的单位水平的协变量信息。我们的经验表明，我们的方法比其他现有的方法更好地解决这个问题，同时产生有意义的，可解释的结果。
2020-03-02 cs.LG stat.ME
Interference, Bias, and Variance in Two-Sided Marketplace Experimentation: Guidance for Platforms
双边市场平台经常在平台范围内推出之前进行实验，以测试干预的效果。一种典型的方法是将个体随机分为接受干预的治疗组和不接受干预的对照组。然后，该平台比较两组的表现，以估计如果对每个人进行干预的效果。我们专注于两种常见的实验类型，其中平台在供应侧或需求侧随机分配个体。在这些实验中，对处理效应的估计通常是有偏差的：因为市场中的个体相互竞争，处理组中的个体会影响控制组中的个体，反之亦然，从而产生干扰。我们开发了一个简单易处理的市场模型来研究这些实验中的偏差和方差。我们关注平台可用的两个选择：（1）它应该在平台的哪一侧随机化（供应或需求）？(2)应分配多大比例的个人接受治疗？我们发现，这两种选择影响的偏差和方差的估计，但在不同的方式。实验类型的偏优选择取决于市场的相对供给量和需求量，我们讨论了平台如何使用市场数据来选择实验类型。重要的是，我们发现在许多情况下，选择偏优实验类型对方差的影响很小。另一方面，处理比例的选择可以引起偏差-方差权衡，其中偏差最小化比例增加方差。我们讨论了一个平台如何导航这种权衡，并最好地选择治疗比例，使用模型以及有关市场的背景知识，干预的风险和干预的合理效果大小的组合。
2021-04-25 econ.EM stat.ME
Design and analysis of experiments in networks: Reducing bias from interference
当单元相互作用时，估计网络中干预的效果是复杂的，使得一个单元的结果可能取决于许多或所有其他单元的治疗分配和行为（即，存在干扰）。当大多数或所有单元都在单个连接组件中时，不可能直接通过实验比较两个或更多个全局处理分配下的结果，因为只能在单个分配下观察网络。熟悉的形式主义、试验设计和分析方法假设不存在这些相互作用，并导致对感兴趣的因果效应的有偏估计。虽然有些假设可以得到无偏估计量，但这些假设通常是不现实的，我们将这项工作集中在现实的假设上。因此，在这项工作中，我们评估设计和分析随机实验的方法，旨在减少这种偏差，从而减少整体误差。在设计中，我们考虑对网络中相关的治疗进行随机分配的能力，例如通过图簇随机化。在分析中，我们考虑将有关网络邻居的治疗分配的信息。我们证明了充分的条件，通过设计和分析，在潜在的全球干扰的存在下，减少偏见。通过模拟网络实验的整个过程，我们测量了这些方法在不同的网络结构和不同的社会行为下的性能，发现大量的偏差和错误减少。这些改进对于具有更多聚类和数据生成过程的网络是最大的，这些网络具有更强的处理直接效应和更强的单元之间的相互作用。
2014-08-13 cs.SI physics.soc-ph stat.ME
Bias Disparity in Collaborative Recommendation: Algorithmic Evaluation and Comparison
Eindhoven University of Technology（埃因霍温理工大学）；DePaul University（德保罗大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
机器学习中的公平性研究最近已经扩展到推荐系统。可能影响公平性的因素之一是偏见差异，即一个群体对各种项目类别的偏好未能反映在他们收到的推荐中的程度。在某些情况下，原始数据中的偏差可能会被潜在的推荐算法放大或逆转。在本文中，我们探讨了不同的推荐算法如何反映排名质量和偏见差距之间的权衡。我们的实验包括基于邻域的，基于模型的，和信任感知的推荐算法。
2019-08-02 cs.IR cs.LG cs.SI
Just Ramp-up: Debiasing Regression-based Estimator for A/B Tests under Network Interference
School of Economics and Management, Tsinghua University（清华大学经济管理学院）
针对网络干扰下单次A/B测试的性能瓶颈，本文提出合并顺序递增实验数据以更有效估计全局平均处理效应，证明了合并两步数据可显著降低偏差，并验证了基于回归的估计器在合并数据训练下具有出色的统计性能。
2026-09-29 stat.ME
Direct and spillover effects of a new tramway line on the commercial vitality of peripheral streets. A synthetic-control approach
本文基于合成控制方法，在潜在结果框架下研究佛罗伦萨轻轨线路对所在街道零售密度的直接效应及对周边街道的溢出效应，并正式定义了部分干扰假设下的相关因果效应。
2023-11-27 econ.EM stat.AP stat.ME
Rate-Optimal Cluster-Randomized Designs for Spatial Interference
我们考虑一个潜在的结果模型，其中任何两个单元之间可能存在干扰，但干扰的程度随着空间距离的增加而减小。因果被估量是全局平均处理效应，比较所有或无单位接受治疗的反事实情况下的结局。我们研究了一类设计，其中空间被划分为随机处理和控制的集群。对于每种设计，我们使用Horvitz-Thompson估计器估计处理效应，该估计器比较所有或没有处理邻居的单元的平均结果，其中邻居半径与设计规定的簇大小相同。我们推导出的估计的收敛速度作为一个函数的设计和干扰程度，并使用此来获得估计设计对，实现接近最佳的收敛速度下相对最小的假设干扰。我们证明了估计是渐近正态的，并提供了一个方差估计。对于实际实施的设计，我们建议分区空间使用聚类算法。
2022-09-14 econ.EM stat.ME
Causal Inference under Network Interference with Noise
越来越多的是，有一个显着的兴趣，估计因果关系的影响下，网络干扰，由于这样一个事实，干扰自然体现在网络实验。然而，网络信息通常仅在一定程度的误差下可用。我们研究了这种错误的传播，估计网络干扰下的平均因果效应。具体来说，假设一个四水平的暴露模型和伯努利随机分配的治疗，我们的特点是网络噪声的影响，在均匀和非均匀网络的标准估计的偏差和方差。此外，我们提出了方法的时刻估计偏差减少网络复制的最小数量。我们证明了我们的估计是渐近正态的，并提供了量化这些估计的不确定性的置信区间。我们说明了我们的估计，通过模拟研究在英国中学接触网络的实际表现。
2022-08-31 stat.ME
Experimental Design in Two-Sided Platforms: An Analysis of Bias
我们发展了一个分析框架来研究双边市场中的试验设计。这些实验中的许多都表现出干扰，即对一个市场参与者的干预会影响另一个参与者的行为。这种干扰导致对干预的处理效应的偏倚估计。我们开发了一个随机市场模型和相关的平均场限制，以捕捉动态在这样的实验中，并使用我们的模型来研究不同的设计和估计的性能是如何受到市场干扰效应。平台通常使用两种常见的试验设计：需求方（“客户”）随机化（CR）和供应方（“列表”）随机化（LR），以及它们的相关估计量。我们发现，良好的试验设计取决于市场平衡：在高度需求约束的市场，CR是无偏的，而LR是有偏的;相反，在高度供给约束的市场，LR是无偏的，而CR是有偏的。我们还介绍和研究了一种新的试验设计的基础上，双侧随机化（TSR）的客户和上市随机治疗和对照。我们表明，适当的选择TSR设计可以在市场平衡的两个极端是公正的，而在市场平衡的中间制度产生相对较低的偏差。
2021-09-26 econ.EM stat.ME
Analysis of Two-Stage Rollout Designs with Clustering for Causal Inference under Network Interference
针对网络干扰下因果推断推出设计因外推导致高方差的问题，提出两阶段聚类实验，分析多项式插值估计量的偏差方差特性，探究聚类目标权衡并比较不同策略性能。
2025-02-10 cs.SI stat.ME
Estimating Total Effects in Bipartite Experiments with Spillovers and Partial Eligibility
针对存在溢出干扰、仅部分处理侧单元有分配资格的二分实验场景，本文定义对应全量部署的两类总效应估计量，提出结合暴露映射、广义倾向得分与机器学习的干扰感知集成估计方法，通过仿真与田野实验验证了方法的偏差校正效果。
2025-11-14 cs.LG stat.ME stat.ML
A Sensitivity Analysis Framework for Causal Inference Under Interference
Boston University（波士顿大学）
本文提出一种基于加权的敏感性分析框架，用于评估忽略干扰导致的系统性偏差，考虑未测量混杂和运输性不足等挑战。
2026-06-30 stat.ME
Causal Mediation Analysis for Network Data with Graph Neural Network
Fudan University（复旦大学）
针对网络人群因果中介分析的无干扰假设缺陷，开发含处理与中介溢出效应的非参数框架，用图神经网络学习扰动函数，经模拟和中国农村农业保险实验验证了方法有效性。
2026-08-14 stat.ME
Causal Inference with Noncompliance and Unknown Interference
本文研究社交网络中存在不依从和未知干扰的因果推断问题，提出暴露映射概念将复杂溢出效应汇总为固定维工具变量统计量，基于逆概率加权开发非参数估计程序并证明其渐近性质，还提供了配套R包。
2023-10-23 econ.EM stat.ME
Sensitivity analysis for contamination in egocentric-network randomized trials with interference
Tel Aviv University（特拉维夫大学）
针对自我中心网络随机试验中的污染问题，提出基于敏感性参数的偏差校正估计量，并通过网格分析和概率偏差分析评估因果估计的稳健性。
2026-06-07 stat.AP stat.ME
Treatment effect estimation under convergent network interference
Stanford University（斯坦福大学）
提出匿名干扰下有限总体序列的收敛概念，基于图极限框架证明伯努利分配下标准估计量的渐近正态性，适用于密集非随机暴露图。
2026-06-16 math.ST stat.TH
Optimized Covariance Design for AB Test on Social Network under Interference
本文研究社交网络干扰下的A/B测试问题，提出通过优化处理分配向量的协方差矩阵来平衡偏差和方差，并使用投影梯度下降算法最小化MSE上界，实验证明该方法在多种设置下优于现有方法。
2023-11-23 stat.ME
Covariate Adjustment Cannot Hurt: Treatment Effect Estimation under Interference with Low-Order Outcome Interactions
University of California, Berkeley（加州大学伯克利分校）；University of Chicago（芝加哥大学）
本文研究了在存在干扰情况下使用协变量调整估计总体治疗效应的方法，证明了在稀疏干扰网络下，协变量调整不会增加方差，从而提供无害保证。
2026-04-09 stat.ME
Regression adjustments for estimating the global treatment effect in experiments with interference
在存在干扰的情况下，全局平均处理效应的标准估计值可能存在偏倚。本文提出了回归调整估计量，用于消除Bernoulli随机试验中的干扰偏倚。我们使用一个拟合模型来预测全球控制和全球治疗的反事实结果。我们的工作不同于标准回归调整，因为调整变量是从治疗分配向量的函数构建的，并且我们允许研究人员使用与响应相关的任何函数的集合，将检测干扰的问题转化为特征工程问题。我们在线性模型设置拟议的估计分布的特点，并连接到SUTVA下的回归调整的标准理论的结果。然后，我们提出了一个估计器，允许灵活的机器学习估计被用于拟合非线性干扰函数的形式。我们建议进行统计推断，通过引导和rescue的方法，这使我们能够回避复杂的依赖隐含的干扰，而是依赖于经验的协方差结构。这种方差估计依赖于一个外生性假设，类似于观察性研究中引用的标准无混淆假设。在模拟实验中，我们的方法是更好地在去偏估计比现有的逆倾向加权估计的基础上的邻域暴露模型。我们用我们的方法重新分析了一个实验，在中国农村的一组村庄进行的天气保险采用。
2019-03-05 cs.SI stat.ME
Data-adaptive exposure thresholds for the Horvitz-Thompson estimator of the Average Treatment Effect in experiments with network interference
针对网络干扰实验中暴露映射阈值难以确定的问题，本文提出一种基于线性剂量-反应模型的数据自适应方法，通过最小化 Horvitz-Thompson 估计量的均方误差来选择最优 h 比例阈值，并在模拟和 Amazon 产品相似性图上验证了其优于非自适应选择且对模型偏差具有稳健性。
2025-02-04 stat.ME
Off-policy causal estimation in networks
Imperial College London（帝国理工学院）；Massachusetts Institute of Technology（麻省理工学院）
针对网络干扰下的离策略因果估计难题，本文基于傅里叶基构建最小L²权重，推导鲁棒性界、一致性条件与方差估计量，通过仿真验证其在实验设计分析中的有效性。
2026-09-03 econ.EM stat.ME
Causal inference with misspecified network interference structure
Tel Aviv University（特拉维夫大学）
本文提出了一种在多个网络同时利用的情况下，即使无法确定正确网络也保持无偏的因果推断估计器，以应对网络结构错误指定的问题。
2025-12-22 stat.ME
Spatial causal inference in the presence of unmeasured confounding and interference
University of Florida（佛罗里达大学）；Bristol Myers Squibb（百时美施贵宝）
本文提出了一种基于贝叶斯方法的空间因果推断框架，用于处理空间数据中未测量混杂和干扰问题，并通过模拟和实证数据验证了其有效性。
2026-02-15 stat.ME
Bipartite Interference and Air Pollution Transport: Estimating Health Effects of Power Plant Interventions
评估空气质量干预措施面临着干扰的挑战，因为对特定污染源的干预措施可能会影响遥远地点的空气质量和健康，而任何特定地点的空气质量和健康都可能受到许多污染源干预措施的影响。在这种情况下，干扰的结构是由复杂的大气过程决定的，该过程控制着特定来源排放的污染如何在空间中转化和传输，并且可以用反映两种不同类型的单位的二分结构来铸造：1）干预单位，在其上应用或保留处理以改变污染排放;以及2）结果单位，在其上测量主要感兴趣的结果。我们提出了新的估计为二分因果推断干扰，包括两个组成部分的治疗：一个“关键相关”（或“个人”）的治疗和“逆风”（或“邻里”）的治疗。使用基于联合倾向得分的半参数调整方法进行估计。一个降低复杂性的大气模型被部署来表征干扰网络的结构，通过模拟空气包裹在时间和空间上的运动。这些新方法用于评估在472个燃煤电厂（干预单位）上安装烟气脱硫洗涤器的有效性，以减少居住在美国25，553个邮政编码（结果单位）的21，577，552名医疗保险受益人中的医疗保险住院率。
2023-01-02 stat.AP stat.ME
Estimation and inference of average treatment effects under heterogeneous additive treatment effect model
本文针对网络干扰下的平均处理效应估计问题，在异质加性处理效应模型下提出基于特征向量的回归调整估计量，建立其渐近正态性与保守方差估计，并验证其在多种干扰结构下的有效性。
2024-08-30 stat.ME
Price Experimentation and Interference
Stanford University（斯坦福大学）
本文研究了价格实验中因市场干扰导致的偏差问题，提出了一种去偏差技术，并通过实证分析展示了其在实际应用中的重要性。
2026-01-20 stat.ME
Difference-in-Differences under Local Dependence on Networks
Graduate School of Economics, Keio University（庆应义塾大学经济学研究科）；Faculty of Economics, Keio University（庆应义塾大学经济学部）
本文提出了一种非参数识别策略，用于在观察到的网络上局部干扰下的直接和间接平均处理效应估计，基于平行趋势假设和逆概率加权方法。
2026-02-02 stat.ME
Optimizing cluster-based randomized experiments under a monotonicity assumption
当存在干扰且经典因果推断和试验设计假设（如SUTVA或ITR）不成立时，基于随机化的随机试验是用于减轻标准估计值偏倚的流行设计。在没有干扰结构的确切知识的情况下，理解实验单元的哪种划分对于最小化估计偏差是最佳的可能是具有挑战性的。在本文中，我们引入了一个单调性条件下，一个新的两阶段试验设计，使我们能够确定两个集群为基础的设计产生最少的有偏估计。然后，我们考虑在线广告拍卖的设置，并表明保留价实验验证了单调性条件和所提出的框架和方法适用。我们验证了我们的研究结果的广告拍卖数据集。
2018-03-07 stat.ME
Graph cluster randomization: network exposure to multiple universes
A/B测试是评估在线实验效果的标准方法;其目标是通过将整个人群的样本暴露于新特征或条件来估计新特征或条件的“平均治疗效果”。A/B测试的缺点是它不太适合涉及社会干扰的实验，当个体的治疗沿着潜在的社会网络溢出到相邻个体时。在这项工作中，我们提出了一种新的方法，使用图聚类分析社会干扰下的平均治疗效果。首先，我们描述了图论的条件下，个人可以被认为是“网络暴露”的实验。然后，我们将展示如何图集群随机化承认一个有效的精确算法来计算网络暴露在这些暴露条件下的每个顶点的概率。使用这些概率作为反权重，Horvitz-Thompson估计器可以提供无偏的效应估计，前提是已经正确指定了暴露模型。给定一个无偏估计量，我们专注于最小化方差。首先，我们开发简单的充分条件的方差估计是渐近小的n，图的大小。然而，对于一般的随机化方案，该方差可以由图的度的指数函数下界。相比之下，我们表明，如果一个图满足限制增长条件的增长速度的邻域，那么存在一个自然的聚类算法，基于顶点邻域，估计的方差可以由一个线性函数的度上界。因此，我们表明，适当的集群随机化可以导致指数较低的估计方差时，实验测量平均处理效果的干扰。
2013-05-30 cs.SI physics.soc-ph stat.ME
Learning Representations using Spectral-Biased Random Walks on Graphs
Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校）
几种最先进的神经图嵌入方法基于短随机游走（随机过程），因为它们易于计算、捕获复杂局部图属性的简单性、可扩展性和可解释性。在这项工作中，我们感兴趣的是研究在这个随机过程中的概率偏差会影响过程中挑选的节点的质量。特别是，我们的有偏行走，有一定的概率，有利于移动到节点的邻居承担结构相似的当前节点的邻居。我们简洁地捕捉这个邻域作为一个概率测度的基础上，表示为一个归一化的拉普拉斯矩阵的节点的邻域子图的频谱。我们建议使用一个新的Wasserstein正则化项的段落向量模型。我们经验评估我们的方法对几个国家的最先进的节点嵌入技术在各种各样的现实世界的数据集，并证明我们提出的方法显着改善现有的方法上的链接预测和节点分类任务。
2020-07-29 cs.LG cs.SI stat.ML
Illusions of Confidence? Diagnosing LLM Truthfulness via Neighborhood Consistency
Zhejiang University（浙江大学）；University of Edinburgh（爱丁堡大学）
本文提出邻域一致性信念(NCB)来评估LLM在上下文干扰下的信念鲁棒性，通过结构化测量提升模型在真实场景中的可靠性，并引入结构感知训练(SAT)减少知识脆性。
2026-04-07 cs.AI cs.CL cs.HC
On Generalized Degree Fairness in Graph Neural Networks
Singapore Management University（新加坡管理大学）
传统的图神经网络（GNN）经常面临公平性问题，这些问题可能源于其输入，包括节点属性和节点周围的邻居。虽然最近已经提出了几种方法来消除源于敏感属性的偏差，但它们忽略了GNN的其他关键输入，即节点的邻居，这可能会引入偏差，因为GNN依赖于邻域结构来生成节点表示。特别是，节点之间不同的邻域结构，表现在截然不同的节点度上，导致节点的不同行为和有偏见的结果。在本文中，我们首先定义和推广的度偏差使用一个广义的定义节点度的表现和量化不同的多跳结构周围不同的节点。为了解决节点分类中的偏差，我们提出了一种新的GNN框架，称为广义度公平中心图神经网络（Deg-FairGNN）。具体而言，在每个GNN层中，我们采用可学习的去偏置函数来生成去偏置上下文，该上下文调制逐层邻域聚合以消除源自节点之间不同程度的程度偏差。在三个基准数据集上的大量实验证明了我们的模型在准确性和公平性指标上的有效性。
2023-02-20 cs.LG cs.SI
Holistic Analysis of Hallucination in GPT-4V(ision): Bias and Interference Challenges
Carnegie Mellon University（卡内基梅隆大学）；Stanford University（斯坦福大学）；Rutgers University（罗格斯大学）；UNC-Chapel Hill（北卡罗来纳大学教堂山分校）
该研究提出Bingo基准系统评估GPT-4V(ision)等视觉语言模型的偏差与干扰类幻觉，发现其存在区域偏差、易受引导性问题和多图干扰，且现有缓解方法无效，凸显了研发新解决方案的必要性。
2023-11-07 cs.CL cs.CV cs.LG
Markovian Interference in Experiments
Massachusetts Institute of Technology（麻省理工学院）；Carnegie Mellon University（卡内基梅隆大学）
我们考虑在动力系统中的实验，其中对一些实验单元的干预通过限制约束（例如有限的库存）影响其他单元。尽管超大的实际重要性，这个“马尔可夫”的干扰问题的最佳估计在很大程度上是启发式的性质，他们的偏见是没有得到很好的理解。我们正式的推理问题，在这样的实验作为一个政策评估。政策外估计，而无偏的，显然会招致一个很大的罚款相对于国家的最先进的统计学方差。我们介绍了一个政策上的估计：在Q的差异（DQ）估计。我们表明，DQ估计一般可以有指数较小的方差比政策评估。与此同时，它的偏见在干预的影响中是第二位的。这产生了一个惊人的偏差方差权衡，使DQ估计有效地占主导地位的国家的最先进的替代品。从理论的角度来看，我们介绍了三个独立的新技术是独立的兴趣在强化学习（RL）的理论。我们的实证评估包括一组城市规模的乘车模拟器上的实验。
2022-06-09 cs.LG econ.EM stat.ML
Estimating Treatment Effects in Networks under Unknown Exposure Mappings
KU Leuven（鲁汶大学）
该研究针对网络场景中处理效应估计的干扰问题，提出无需预先指定暴露映射的HINet方法，经实验验证其在不同暴露映射下表现稳定，优于依赖预定义映射的相关方法。
2026-08-04 cs.LG
Qini Curve Estimation under Clustered Network Interference
Department of Computer Science（计算机科学系）；Delft University of Technology（代尔夫特理工大学）
本文研究了聚类网络干扰下的Qini曲线估计问题，提出形式化框架及三种考虑偏差-方差权衡的估计策略，并引入电商市场模拟器进行实践评估。
2025-10-31 cs.LG stat.ME stat.ML
Correcting for Interference in Experiments: A Case Study at Douyin
Massachusetts Institute of Technology（麻省理工学院）
针对抖音这类双边内容市场实验中创作者相互干扰导致估计偏差的问题，提出基于DQ技术的新型蒙特卡洛估计器，从理论上拓展DQ适用范围，实践中实现即插即用，大幅降低估计MSE。
2023-05-04 cs.LG stat.AP stat.ME
Adaptive Policy Learning Under Unknown Network Interference
Department of Statistical Science（统计科学系）；Duke University（杜克大学）
本文提出一种基于Gibbs采样的自适应策略学习算法，同时学习网络干扰结构并优化个体治疗分配，实现总奖励线性建模及因果分析。
2026-05-11 cs.LG stat.ML
Cascade-based Randomization for Inferring Causal Effects under Diffusion Interference
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Google Research（谷歌研究院）
针对级联传播式干扰下现有聚类随机化方法因果效应估计偏差大的问题，提出基于级联的网络实验设计方法，从种子节点分配处理并传播至多跳邻居以限制干扰，实验证明其效果优于现有最优方法。
2024-05-20 cs.LG cs.SI
Bayesian Neighborhood Adaptation for Graph Neural Networks
Golisano College of Computing and Information Science（计算与信息科学学院）；Rochester Institute of Technology（罗切斯特理工学院）；Amazon.com, Inc.（亚马逊公司）
本文提出基于贝叶斯邻域适应的图神经网络方法，通过将跳数建模为beta过程，提升GNN的表达能力并在节点分类任务中取得优异性能。
2026-02-12 cs.LG
