观文听傑

返回

处理信号沿两群用户之间的连接传播到未直接处理的人处理信号沿两群用户之间的连接传播到未直接处理的人

上一篇说明门店大小不一时,“平均门店”与“平均顾客”会得到不同估计目标;更早的簇随机化文章则提醒我们,簇与簇之间也可能互相影响。现在从这个边界继续:如果一位用户没有被分到新功能,却看了同事生成的结果、接收朋友转发的推荐,或与另一位用户共享了模型上下文,把他记作“未处理”足够吗?

本篇只讲一个核心:当处理会在单位之间传播时,结果应写成自己的分配加上周边处理构成的暴露,并依照实际随机化机制比较有支持的数据状态。下一篇将继续把这种定义落到方案设计:怎样选网络簇、做两阶段随机化,并事先检查每种暴露是否真的有机会出现。

01 为什么只有自己的 treatment 标记不够?#

无干扰假设(no-interference assumption)是潜在结果模型的常见简化:单位 ii 的结果只取决于自己的分配 ZiZ_i。潜在结果(potential outcome)写成 Yi(zi)Y_i(z_i)。若朋友、同事或共享资源会把处理传播给 ii,单独的 ZiZ_i 就漏掉了影响结果的信息;需要写成 Yi(Z)Y_i(\mathbf Z),它依赖整个分配向量。

完整向量太大,因此设计者常用暴露映射(exposure mapping) Gi(Z)G_i(\mathbf Z) 摘要单位 ii 周边的分配,再写为 Yi(Zi,Gi(Z))Y_i(Z_i,G_i(\mathbf Z))。例如在社交图上,GiG_i 可以是直接邻居中接受处理的比例;在门店网络上,可以是同一区域其他门店的新版本比例;在多轮模型服务中,可以标记用户是否与处理请求共享缓存或上下文。

暴露映射不是算法自动发现的真实机制,而是一个可检验的建模选择。若只记录“邻居处理比例”,却忽略联系强度、边方向、传播时间、不同内容版本,两个真正不同的处理环境会被压成同一个状态。先画机制图,明确谁能影响谁、影响发生在何时,再决定保留哪些字段。

flowchart LR
  A[完整分配向量 Z] --> B[用户 i 的自身分配 Z_i]
  A --> C[邻接关系与邻居分配]
  C --> D[暴露映射 G_i Z]
  B --> E[暴露单元 Z_i 与 G_i]
  D --> E
  E --> F[结果 Y_i(Z_i G_i)]
  F --> H[按设计概率估计预先定义的直接或溢出效果]
mermaid

流程伪代码:

输入:单位集合、预处理关系图、分配算法、目标暴露对比
冻结:关系图快照与暴露映射 G_i(Z)
枚举或模拟:分配算法真正允许的所有 Z
计算:每个单位进入目标 (Z_i, G_i) 状态的概率 pi_i
若任一目标状态概率为 0:停止该效果估计并调整设计
否则:记录分配和结果,按 pi_i 计算预设的效果及不确定性
plaintext

这先检查设计是否支持目标效果,再收集结果;回归模型不能弥补设计中从未出现过的暴露状态。

02 手算:同样是控制组,周围处理密度却不同#

考虑一个 4 人小社群,每个人都与另外 3 人连接。分配为 Z=(1,0,0,0)\mathbf Z=(1,0,0,0):A 被直接分配新功能,B、C、D 没有。用“自己的分配 + 三位邻居中处理人数”编码暴露:A 是 (1,0)(1,0);B、C、D 各是 (0,1)(0,1)。

用户自己的分配 ZiZ_i处理邻居数邻居比例 GiG_i观测结果例 YiY_i
A10/3012
B01/31/311
C01/31/39
D01/31/310

B、C、D 虽都在 control 臂,却处于一名邻居被处理的环境。把这三人的结果与“无人处理的社群”中的控制用户直接混比,估到的就不再是纯粹的自身处理差异。12、11、9、10 是教学用的一次观测;它们本身没有展示各人的反事实,也不能单凭这张表声称存在溢出因果效应。

一种简化假设叫部分干扰(partial interference):允许同一预先定义社群内部互相影响,但社群之间没有影响。若社群足够小,可以整群分配;若想分别识别直接效果和邻居溢出效果,可在群内再做个体分配,并保留每个人的暴露。

03 先定义想估的效果,再找对应的分配状态#

有了暴露映射,可以分别定义:

  • 直接效果(direct effect):固定邻居暴露 gg,比较自己接受与不接受处理:τD(g)=N−1∑i[Yi(1,g)−Yi(0,g)]\tau_D(g)=N^{-1}\sum_i[Y_i(1,g)-Y_i(0,g)]。
  • 溢出效果(spillover effect):固定自己的分配 zz,比较邻居暴露 g1g_1 与 g0g_0:τS(z;g1,g0)=N−1∑i[Yi(z,g1)−Yi(z,g0)]\tau_S(z;g_1,g_0)=N^{-1}\sum_i[Y_i(z,g_1)-Y_i(z,g_0)]。

NN 是目标总体单位数。这里比较 Yi(1,g)Y_i(1,g) 与 Yi(0,g)Y_i(0,g),要求设计能让同类单位在相同邻居暴露 gg 下有时被处理、有时未处理;如果某一种组合从未可能出现,直接效果无法由这项设计识别。这个条件叫正值性/支持(positivity/support),不是加一条回归变量就能造出来的。

例如固定大小 4 的完全连接社群,若恰好一人处理,每个处理用户的邻居处理比例都是 0,每个控制用户的比例都是 1/31/3。这能在该社群规模下观测 (1,0)(1,0) 和 (0,1/3)(0,1/3),却没有为 (1,1/3)(1,1/3) 或 (0,0)(0,0) 提供观测,因此不能估计“固定邻居暴露 1/31/3 的直接效果”,也不能比较“自己控制时邻居从 0 增至 1/31/3”的溢出效果。要识别这些对比,设计必须允许更多种处理密度。

04 可复核的最小实现:枚举分配算每人暴露概率#

以下代码固定 4 人完全连接社群,假设每人独立以 p=1/2p=1/2 分配。它穷举 24=162^4=16 种向量,输出对某位用户而言每个“自身处理、邻居处理数”状态的设计概率。实际网络应使用真实邻接表;若设计是固定处理人数或分层/两阶段随机,则枚举器必须重放该设计的所有合法分配,不能照搬 Bernoulli 概率。

product 生成每人 0/1 的向量;exposure 返回二元组 (self_assignment, treated_peer_count);Counter 数合法向量映到每个状态的次数。因为每种向量概率相同,次数除以 16 就是一个固定用户落入各暴露状态的设计概率 πi(z,g)\pi_i(z,g)。这里把邻居人数作为暴露,若要换为比例,键要改成 peers_treated / (N - 1)。

对 NN 个单位和指定状态 (z,g)(z,g),Horvitz–Thompson 型总体均值估计为

μ^(z,g)=1N∑i=1N1{Zi=z,Gi=g}Yiπi(z,g).\widehat\mu(z,g)=\frac1N\sum_{i=1}^N\frac{\mathbf 1\{Z_i=z,G_i=g\}Y_i}{\pi_i(z,g)}.

1{⋅}\mathbf1\{\cdot\} 表示单位是否处于该状态;πi(z,g)\pi_i(z,g) 是由事前随机化方案计算的落入概率,不是结果数据中该状态的占比。若某个 πi=0\pi_i=0,对应总体均值不能估;若概率极小,逆概率权重会很大、方差也可能剧烈膨胀。设计阶段应先列出 π\pi,合并科学上可辩护的暴露类别或重新设计,而不是看到结果后删掉稀有状态。

这段小程序不是线上分析库,也不估标准误。较大网络有 2N2^N 个向量,不能暴力枚举;可使用设计特定的解析概率、动态规划或按真实方案进行 Monte Carlo 抽样,并报告模拟次数与概率误差。若使用外部包,先核实其版本和输入接口;不同函数对邻接矩阵方向、是否含自身、权重归一化的约定可能不同。

05 让干扰设计进入实验与机器学习评估#

簇级 A/B把可能互相影响的用户放进同一簇,整簇分配;它主要估整套群体政策的效果,并依赖簇间隔离。两阶段随机化先把社群分到不同处理饱和度,再在社群内按预设比例随机个人;它可以为多种 (z,g)(z,g) 组合创造支持,代价是方案、日志和方差计算更复杂。实际选择需围绕要回答的效果,而不是选名字听起来更先进的设计。

在模型系统中,同样的结构可能出现在共享内容、同事采用模型建议、推荐系统社交传播、缓存跨用户复用、同一 GPU 批次共享队列资源等场景。先界定干预会通过哪些通路改变他人的结果。若缓存只影响延迟,延迟就是一个可能受邻居请求影响的结果;不能把“模型输出是否变化”当成唯一结果。若处理改变谁会连入系统,还需跟踪分配与实际曝光的时间顺序。

最低限度日志应保存 experiment_id、allocation_version、unit_id、community_id、随机种子或可重放分配标识、邻接/关系快照版本、assignment、暴露类别及生成规则版本、暴露时间、结果窗口和指标版本。邻接表可能包含敏感关系数据,应使用受控标识与最小化字段;调试分析不需要把实名网络倾倒到普通日志。

一次可审计流程:

  1. 先画干扰通路,并冻结关系数据的时间窗和方向。
  2. 明确单位和效果:固定邻居暴露下的直接差异,还是固定自身分配下的溢出差异?
  3. 用全部合法分配计算每个 (z,g)(z,g) 的 πi(z,g)π_i(z,g),检查正值性和极端权重。
  4. 预演拥挤状态、缺边、跨簇连接和用户退出,再锁定分配方案。
  5. 上线时记录分配与实际暴露;主分析按原随机化设计,曝光者分析只作另行定义的估计。
  6. 报告主要效果、簇数、支持概率、加权不确定性和设计假设。
键盘可展开:为什么“只看实际曝光用户”会引入偏差

实际曝光可能由用户活跃度、朋友行为或系统负载决定,这些因素也会影响结果。直接筛选曝光用户会丢掉随机分配带来的可比性。优先按分配做意向处理分析;若目标确实是曝光效果,必须明示新的识别假设与设计支持。原生 details 可用 Tab 聚焦摘要、Enter 或 Space 展开。

06 常见误解、调试顺序与失败边界#

  • 把“自己的 control”当作“没有受到 treatment 影响”:按关系快照重算暴露,检查处理邻居比例、边方向与时间窗口。
  • 暴露映射太粗:相同邻居比例可能对应不同邻居数量或强度。做预先设定的映射敏感性分析,不依据结果挑最显著定义。
  • 把暴露观察频率当设计概率:观察频率混入缺失和实现故障;πi(z,g)\pi_i(z,g) 必须从随机化算法推出或在完整合法分配上枚举。
  • 跨群体传播却假设部分干扰:画跨簇边,估计缓冲区和污染率;若无法隔离,采用网络设计或把结论限定在当前分配策略。
  • 稀有状态逆概率权重爆炸:输出每个状态的支持概率、实际单位数和最大权重,设计期设置最低概率门槛。
  • 随机分配执行不等于实际暴露:主要意向处理估计保持随机化组别;实际使用的因果效果是另一个问题,不能通过丢掉未使用者解决。
  • 图结构被结果更新:只用预处理时间窗的关系构造主要暴露;处理后网络变化作为机制结果另行分析。

即使编码与概率都正确,识别仍依赖暴露映射足以摘要干扰、潜在结果定义一致、关系图测量质量合格、目标状态有正概率,以及统计推断尊重社群依赖。高阶、延迟、内容特异的传播若无法被合理摘要,就应缩小因果主张或改用更能隔离通路的实验。

07 与相近方法的边界#

方法分配/比较单位能回答什么额外假设
个体 A/B用户独立分配自己被分配处理的总体差异用户间没有相关干扰,或影响可忽略
簇随机化社群整体分配整群部署政策的效果簇间干扰可忽略;独立簇数够推断
两阶段饱和度设计社群密度 + 社群内用户不同邻居处理密度下的直接/溢出效果每种目标暴露有支持、映射可信
Switchback实体 × 时间块同一实体在不同时间政策的差异时间趋势、洗脱期和跨时段干扰处理妥当
实际使用者比较事后选择曝光用户通常只是条件相关性需额外因果识别,不能自动继承随机化

暴露映射不是“改名后的 treatment 字段”,而是把可能的影响通路压缩成可检验设计状态。它既不保证对现实干扰的摘要正确,也不代替随机化和标准误计算。

思考练习#

  1. 4 人完全连接社群恰有 2 人处理时,某个处理用户能有多少个处理邻居?控制用户又是多少?为什么无法在该分配下单独比较固定 g=1/3g=1/3 的直接效果?
  2. 若一位用户有 2 位邻居,另一位有 20 位邻居,相同的“邻居处理比例 50%”是否代表同一种传播?如何预先做映射敏感性分析?
  3. 某算法的 rollout 先按社群随机到 0%、50%、100% 饱和度,再组内分流。上线日志最少要增加哪三类字段,才能从分配重建个人暴露与其概率?

延伸阅读#

上一篇讲了簇大小不同会改变“平均谁”;本篇把“谁影响谁”写入实验暴露。下一篇将把这些效果放回设计:如何选随机化簇和处理饱和度,使关键暴露既可识别又有足够样本。

处理会沿用户关系传播,怎样定义实验暴露?干扰下的 Exposure Mapping
https://zwjcode.cn/blog/interference-exposure-mapping
作者 傑
发布于 2026年10月10日
版权协议 CC BY-NC-SA 4.0
评论加载似乎遇到了问题,请尝试刷新页面。