因果推断学习笔记:工业界论文收集

加油看 paper,努力保持更新!按 paper 发表时间倒序排序。

Facebook

2018

  1. Peysakhovich, A., & Eckles, D. (2018). Learning Causal Effects From Many Randomized Experiments Using Regularized Instrumental Variables. In Proceedings of the 2018 World Wide Web Conference on World Wide Web - WWW ’18 (Vol. 186, pp. 699–707). New York, New York, USA: ACM Press. https://doi.org/10.1145/3178876.3186151 工具变量 20190312

    • 小结:当我们有好多 A/B Tests 的时候,把它们合并在一起分析可能可以给我们提供一些信息。例如,有的时候可能每个实验的效果都很小,单个实验看不出什么结果,可能合并起来看能看出点门道。又例如,可能每个实验都有些“fat hand”问题,比如我们如果想要增加搞笑视频的曝光,很难控制其他类型视频的曝光量不变,这样一个实验里的“变量”其实不止“增加搞笑视频”这一个。这篇文章讨论如何借助计量经济学里常用的“工具变量”,来从好多个实验里分析出因果效应。在“多实验分析”的场景下,工具变量是实验组ID。这篇文章主要探讨如何减少标准的TSLS(two-stage least squares)方法里的bias。

2017

  1. Gordon, B. R., Zettelmeyer, F., Bhargava, N., & Chapsky, D. (2017). A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook. Ssrn. https://doi.org/10.2139/ssrn.3033144 因果效应推断 方法survey 2018
    • 小结:挑选了 Facebook 近年来在 US 的 15 个覆盖了大量用户的广告实验,来看各种 observational methods 是否能够还原在线广告实验的 ATT。文章通俗易懂,介绍了很多 observational methods。主要结论是,即使 conditioning on 大量用户属性和行为特征,observational methods 往往还是无法推算出和在线随机实验一样的结果。
    • 感想:这篇文章降低了我对 observational methods 在真实业务场景中使用效果的预期。但是,私以为,observational methods 如果能推出大致的 causal effect,就已经很好了。

Microsoft

PPT收集

Netflix

  1. Causality without headaches (Benoît Rostykus, Senior Machine Learning Researcher at Netflix) https://www.slideshare.net/BenoitRostykus/causality-without-headaches