管理科学系学术讲座

时间：2023年10月9日（周一） 10:00-11:30

地点：管理学院思源楼524室

主题：基于深度学习多实验因果推断

主讲人：张任宇香港中文大学商学院副教授

主持人：吴肖乐复旦大学管理科学系教授

主讲人简介：

张任宇，香港中文大学商学院副教授（with tenure），快手经济学家&Tech Lead，主要研究数据科学方法论（包括数据驱动优化、机器学习和因果推断）及其在大规模在线平台运营策略的评估与优化中的应用。研究成果在Management Science, Operations Research, Manufacturing & Service Operations Management等顶级期刊发表并获得INFORMS, POM等多个学术共同体研究奖励。研究项目获得NSFC, SMEC, STCSM和HK RGC资助。担任学术期刊Production and Operations Management的Senior Editor和Naval Research Logistics的Associate Editor。在香港中文大学、纽约大学和快手内部讲授数据科学、运筹学和经济学课程。为快手平台开发经济学/数据科学方法论与框架，应用于评估并优化平台增长策略以及宏观流量与营收生态。个人网站：https://rphilipzhang.github.io/rphilipzhang/

摘要：快手等大型在线平台每天都会启动数百个A/B 测试来迭代其业务策略。因此，平台的每个用户可能会同时被大量 A/B 测试命中。这就引发了如下两个对学术研究与平台运营实践都非常重要的问题：（a）如何估计和推断平台上多个实验组合的整体效果？(b) 在无法观察到所有实验组合的情况下，如何找到最佳实验组合（i.e., best-arm identification）？我们结合深度学习 (Deep Learning) 和双重机器学习 (Double Machine Learning) 开发一套新的统计分析框架来估计平台每个用户受到任何实验组合的效果 (treatment effect)。我们提出的神经网络架构兼顾了可解释性和灵活性。我们的框架（称作Debiased Deep Learning，DeDL）利用Neyman正交性产生了一致且渐近正态的估计量，从而进行有效实验效果推断与最佳实验组合识别。我们在快手部署了DeDL框架，分析3 个独立 A/B 测试。与基于线性回归和深度学习的基准方法相比，我们的 DeDL方法可以更准确地估计和推断任意实验组合的效果，并正确识别最佳实验组合。我们通过随机仿真数据进一步验证DeDL框架在model misspecification下的稳健性。