Buchumschlag

Optimal Adaptive Experimental Design for Estimating Treatment Effect

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Jiachun, Simchi-Levi, David, Zhao, Yunxiao
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Privacy Preserving Adaptive Experiment Design
von: Li, Jiachun, et al.
Veröffentlicht: (2024)

On the Optimal Regret of Locally Private Linear Contextual Bandit
von: Li, Jiachun, et al.
Veröffentlicht: (2024)

Beyond ATE: Multi-Criteria Design for A/B Testing
von: Li, Jiachun, et al.
Veröffentlicht: (2025)

Improving the Estimation of Lifetime Effects in A/B Testing via Treatment Locality
von: Chen, Shuze, et al.
Veröffentlicht: (2024)

Beyond Covariance Matrix: The Statistical Complexity of Private Linear Regression
von: Chen, Fan, et al.
Veröffentlicht: (2025)

A Simple and Optimal Policy Design with Safety against Heavy-Tailed Risk for Stochastic Bandits
von: Simchi-Levi, David, et al.
Veröffentlicht: (2022)

Prediction-Guided Active Experiments
von: Ao, Ruicheng, et al.
Veröffentlicht: (2024)

Multi-agent Adaptive Mechanism Design
von: Han, Qiushi, et al.
Veröffentlicht: (2025)

Model-Based Reinforcement Learning with Double Oracle Efficiency in Policy Optimization and Offline Estimation
von: Hu, Haichen, et al.
Veröffentlicht: (2026)

Pre-Trained AI Model Assisted Online Decision-Making under Missing Covariates: A Theoretical Perspective
von: Hu, Haichen, et al.
Veröffentlicht: (2025)

Interleaved Resampling and Refitting: Data and Compute-Efficient Evaluation of Black-Box Predictors
von: Hu, Haichen, et al.
Veröffentlicht: (2026)

Perturbing the Derivative: Doubly Wild Refitting for Model-Free Evaluation of Opaque Machine Learning Predictors
von: Hu, Haichen, et al.
Veröffentlicht: (2025)

Perturbing the Derivative: Wild Refitting for Model-Free Evaluation of Machine Learning Models under Bregman Losses
von: Hu, Haichen, et al.
Veröffentlicht: (2025)

Regret Distribution in Stochastic Bandits: Optimal Trade-off between Expectation and Tail Risk
von: Simchi-Levi, David, et al.
Veröffentlicht: (2023)

Efficient Adaptive Experimental Design for Average Treatment Effect Estimation
von: Kato, Masahiro, et al.
Veröffentlicht: (2020)

Design Stability in Adaptive Experiments: Implications for Treatment Effect Estimation
von: Sengupta, Saikat, et al.
Veröffentlicht: (2025)

Offline Oracle-Efficient Learning for Contextual MDPs via Layerwise Exploration-Exploitation Tradeoff
von: Qian, Jian, et al.
Veröffentlicht: (2024)

Constrained Online Decision-Making: A Unified Framework
von: Hu, Haichen, et al.
Veröffentlicht: (2025)

From Confounding to Learning: Dynamic Service Fee Pricing on Third-Party Platforms
von: Ai, Rui, et al.
Veröffentlicht: (2025)

Active Adaptive Experimental Design for Treatment Effect Estimation with Covariate Choices
von: Kato, Masahiro, et al.
Veröffentlicht: (2024)

Blind Network Revenue Management and Bandits with Knapsacks under Limited Switches
von: Simchi-Levi, David, et al.
Veröffentlicht: (2019)

Partial Identification under Missing Data Using Weak Shadow Variables from Pretrained Models
von: Chen, Hongyu, et al.
Veröffentlicht: (2026)

Learning to Price with Resource Constraints: From Full Information to Machine-Learned Prices
von: Ao, Ruicheng, et al.
Veröffentlicht: (2025)

Sobolev Norm Learning Rates for Conditional Mean Embeddings
von: Talwai, Prem, et al.
Veröffentlicht: (2021)

The Value of Information in Resource-Constrained Pricing
von: Ao, Ruicheng, et al.
Veröffentlicht: (2026)

Designing Service Systems from Textual Evidence
von: Ao, Ruicheng, et al.
Veröffentlicht: (2026)

Contextual Online Decision Making with Infinite-Dimensional Functional Regression
von: Hu, Haichen, et al.
Veröffentlicht: (2025)

On the Reliability Limits of LLM-Based Multi-Agent Planning
von: Ao, Ruicheng, et al.
Veröffentlicht: (2026)

ORLoopBench: Solver-in-the-Loop Benchmarks for Self-Correction and Behavioral Rationality in Operations Research
von: Ao, Ruicheng, et al.
Veröffentlicht: (2026)

OptiRepair: Closed-Loop Diagnosis and Repair of Supply Chain Optimization Models with LLM Agents
von: Ao, Ruicheng, et al.
Veröffentlicht: (2026)

Minimax and Bayes Optimal Adaptive Experimental Design for Treatment Choice
von: Kato, Masahiro
Veröffentlicht: (2025)

LLM Evaluation as Tensor Completion: Low Rank Structure and Semiparametric Efficiency
von: Li, Jiachun, et al.
Veröffentlicht: (2026)

Optimal Transport for Treatment Effect Estimation
von: Wang, Hao, et al.
Veröffentlicht: (2023)

Best Arm Identification with LLM Judges and Limited Human
von: Ao, Ruicheng, et al.
Veröffentlicht: (2026)

Treatment Effect Estimation for Optimal Decision-Making
von: Frauen, Dennis, et al.
Veröffentlicht: (2025)

Assured autonomy: How operations research powers and orchestrates generative AI systems
von: Dai, Tinglong, et al.
Veröffentlicht: (2025)

Online Resource Allocation with Average Budget Constraints
von: Ao, Ruicheng, et al.
Veröffentlicht: (2024)

Design and Analysis of Switchback Experiments
von: Bojinov, Iavor, et al.
Veröffentlicht: (2020)

PPI-SVRG: Unifying Prediction-Powered Inference and Variance Reduction for Semi-Supervised Optimization
von: Ao, Ruicheng, et al.
Veröffentlicht: (2026)

Adaptive Combinatorial Experimental Design: Pareto Optimality for Decision-Making and Inference
von: Xie, Hongrui, et al.
Veröffentlicht: (2026)