ترجمه فارسی مقاله برنامه‌نویسی ریاضی برای آزمایش‌های تطبیقی

چکیده

Adaptive experimentation can significantly improve statistical power, but standard algorithms overlook important practical issues including batched and delayed feedback, personalization, non-stationarity, multiple objectives, and constraints. To address these issues, the current algorithm design paradigm crafts tailored methods for each problem instance. Since it is infeasible to devise novel algorithms for every real-world instance, practitioners often have to resort to suboptimal approximations that do not address all of their challenges. Moving away from developing bespoke algorithms for each setting, we present a mathematical programming view of adaptive experimentation that can flexibly incorporate a wide range of objectives, constraints, and statistical procedures. By formulating a dynamic program in the batched limit, our modeling framework enables the use of scalable optimization methods (e.g., SGD and auto-differentiation) to solve for treatment allocations. We evaluate our framework on benchmarks modeled after practical challenges such as non-stationarity, personalization, multi-objectives, and constraints. Unlike bespoke algorithms such as modified variants of Thomson sampling, our mathematical programming approach provides remarkably robust performance across instances.

چکیده به فارسی (ترجمه ماشینی)

آزمایش تطبیقی ​​می تواند به طور قابل توجهی قدرت آماری را بهبود بخشد ، اما الگوریتم های استاندارد از موضوعات مهم عملی از جمله بازخورد و تأخیر ، شخصی سازی ، عدم ایست بودن ، اهداف متعدد و محدودیت ها غافل می شوند.برای پرداختن به این موضوعات ، الگوریتم فعلی طراحی پارادایم صنایع دستی روشهای متناسب با هر نمونه مشکل.از آنجا که ابداع الگوریتم های جدید برای هر نمونه در دنیای واقعی غیرممکن است ، پزشکان اغلب مجبورند به تقریب های زیر قطبی متوسل شوند که همه چالش های آنها را برطرف نمی کند.با فاصله از توسعه الگوریتم های مهیج برای هر تنظیم ، ما یک نمای برنامه نویسی ریاضی از آزمایش تطبیقی ​​ارائه می دهیم که می تواند انعطاف پذیر طیف گسترده ای از اهداف ، محدودیت ها و روش های آماری را در بر بگیرد.چارچوب مدل سازی ما با تدوین یک برنامه پویا در حد وصل شده ، استفاده از روشهای بهینه سازی مقیاس پذیر (به عنوان مثال ، SGD و تمایز خودکار) را برای حل تخصیص درمان امکان پذیر می کند.ما چارچوب خود را در معیارهای مدل شده پس از چالش های عملی مانند عدم حضور ، شخصی سازی ، چند هدف و محدودیت ها ارزیابی می کنیم.بر خلاف الگوریتم های Bespoke مانند انواع اصلاح شده از نمونه گیری تامسون ، رویکرد برنامه نویسی ریاضی ما عملکرد قابل توجهی قوی را در بین موارد ارائه می دهد.