基于 K 臂随机实验的条件反事实均值估计的样本量规划

我们涵盖了如何确定 $K$-臂随机实验的足够大样本量，以便在数据驱动的子群中估计条件反事实期望。这些子群可以由任何特征空间划分算法输出，包括通过对具有相似预测分数的用户进行分箱定义，或由学习到的策略树定义。在仔细指定推断目标、最小置信水平和最大误差界限后，关键是将原始目标转化为一个同时推断问题，其中推荐的样本量与所要进行的推断数量直接相关，以抵消估计误差增加的可能性。给定固定的样本量预算，我们的结果允许我们将问题反转为关于可行的处理臂数量或划分复杂度（例如决策树叶节点数量）的问题。利用策略树学习子群，我们在一个大型公开可用的随机实验测试数据集上评估了我们的名义保证。