予算制約下の因果バンディット：アップリフトモデリングと逐次意思決定の橋渡し

要旨: 予算制約下での治療（Treatment）の割り当ては、デジタル広告における中心的な課題です。広告主は、限られた予算を賢く使いながら、どのユーザーに広告を表示するかを決めなければなりません。標準的なアプローチは、2段階のオフライン・パイプラインに従います。すなわち、最初に過去データを収集して異質な治療効果（HTE）を推定し、次に制約付き最適化を解いて予算を配分します。これはデータが豊富な場合にはうまく機能しますが、新規キャンペーン、新規市場、または新しい顧客セグメントなど、ほとんど過去データが存在しないコールドスタート環境では失敗します。そこで本研究では、Budget-Constrained Causal Bandits（BCCB）を提案します。BCCBはオンラインの枠組みであり、広告に対してどのユーザーが反応するかを学習しながら同時に予算を消費し、治療（Treatment）の意思決定をユーザー1人ずつ行います。BCCBは、個々の広告効果の学習、不確実な反応を示すユーザーの探索、時間にわたる予算のペーシングという3つの要素を、単一の逐次プロセスに統合します。実験では、実際のランダム化比較試験に由来する大規模広告データセットであるCriteo Upliftデータセットで評価しました。主要な発見は、データ効率におけるクロスオーバーです。オフライン手法は信頼できる結果を得るのに約10,000件の過去観測が必要であるのに対し、BCCBは最初のユーザーから有効に動作します。さらにBCCBは、実行間での性能分散が3〜5倍低く、実際のキャンペーン計画においてより実用的です。純粋にオンライン手法の中では、BCCBは、テストしたすべての予算水準において、標準的なThompson Sampling、予算付きThompson Sampling、および貪欲なHTE推定を一貫して上回ります。