BITÁCORA 001 · INVESTIGACIÓNQué sostiene esta bitácora
Material docente: manual U1 §2.1, pp. 7–8 (espacio y axiomas), y diapositivas 9 y 23 (recomendación y terna). No cuentan entre las 21 obras externas. Lectura de los pasajes indicados, no de cada obra completa.
← Volver a la lecturaQué se sortea
FUENTE 01Pasaje: Lecciones 1–2: modelo finito, probabilidad total y árbol.
Separar resultado, ley y suceso antes de calcular. Las dos ramas por persona llevan probabilidades condicionadas.
Alcance: Un espacio finito no implica equiprobabilidad.
FUENTE 02Pasaje: §3, análisis de resúmenes por conglomerado.
Los pesos dependen de si la unidad objetivo es el individuo o el conglomerado. En nuestro caso son impresiones agrupadas por persona.
Alcance: Trasladamos la aritmética del promedio; no un efecto de tratamiento.
FUENTE 03Pasaje: Métodos, tabla 3 y figura 1.
Seis hospitales de tamaños distintos; el reanálisis compara estimaciones con igual peso por paciente o por centro. Demuestra por qué especificar la unidad puede importar en datos reales.
Alcance: Los resultados clínicos no estiman diferencias de CTR.
Qué aprende el modelo
FUENTE 04Pasaje: PDF pp. 21–23, regresión logística.
La sigmoide transforma un predictor lineal en probabilidad. Al fijar la característica en uno queda un intercepto que podemos aislar.
Alcance: No generalizar el óptimo constante a modelos con características.
FUENTE 05Pasaje: §6.2.2.2, salida sigmoide de Bernoulli.
Justifica usar una salida para una etiqueta binaria y derivar la pérdida desde una distribución condicional.
Alcance: Bernoulli describe la etiqueta elegida, no el interés latente.
FUENTE 06Pasaje: §4.1.3.1–3, entropía, sorpresa y entropía cruzada.
La distribución que genera las etiquetas pesa los términos de la pérdida. La predicción que minimiza la entropía cruzada reproduce esa distribución; el logaritmo natural da nats.
Alcance: La generalización a datos futuros requiere otra comprobación.
Cómo cambiar de medida
FUENTE 07Pasaje: Cap. 9, §9.1 y teorema 9.1.
El cociente entre densidad objetivo y de muestreo cambia la esperanza. En un conjunto finito es un cociente de masas; verificar la cobertura evita dividir por cero.
Alcance: Para una función concreta basta cubrir donde su contribución no es nula; para toda pérdida se exige cobertura del objetivo.
Qué observan los recomendadores
FUENTE 08Pasaje: §4, PDF p. 5, párrafo anterior a §4.1.
El diseño publicado ordenaba por una función del tiempo esperado por impresión: el clic podía favorecer vídeos abandonados pronto.
Alcance: Es el sistema descrito en 2016, no una afirmación sobre YouTube hoy.
FUENTE 09Pasaje: PDF p. 2, formulación de la recompensa.
La recompensa 1/0 corresponde al artículo mostrado. El resultado de una alternativa no seleccionada no está registrado.
Alcance: Un cero observado y una alternativa no expuesta son cosas distintas.
FUENTE 10Pasaje: PDF p. 8, condiciones del replay.
El registro aleatorizado permite reproducir decisiones compatibles para evaluar otra política bajo supuestos explícitos.
Alcance: El resultado no se aplica sin más a registros deterministas ni a tráfico dependiente.
FUENTE 11Pasaje: PDF p. 2, planteamiento de los análisis de sesgo y varianza.
Para evaluar políticas pueden combinarse modelos de recompensa y de la política histórica. Distinguir esto de un simple cambio de denominador.
Alcance: No se estima aquí ninguno de los dos modelos ni se reclama doble robustez.
FUENTE 12Pasaje: PDF p. 3, mecanismo de asignación e IPS.
La probabilidad de observar un par usuario–ítem puede conocerse por diseño o requerir estimación. Es diferente del peso empírico de un usuario.
Alcance: La corrección plantea condiciones de observación; nuestros diez registros no identifican propensiones de exposición.
FUENTE 13Pasaje: PDF p. 2, sesgo de posición y modelo de clic.
El lugar que ocupa un ítem afecta a la oportunidad de examinarlo. Un clic es evidencia mediada por la presentación.
Alcance: Dar igual peso a los usuarios no corrige el sesgo de posición.
Qué rompe la extrapolación
FUENTE 14Pasaje: PDF p. 3, recorte de pesos.
Propensiones pequeñas pueden provocar estimaciones muy variables; limitar pesos intercambia varianza por sesgo.
Alcance: No recortar los pesos exactos del lote: alteraría la identidad que se demuestra.
FUENTE 15Pasaje: PDF p. 2, estimación por importancia y rankings top-K.
Las listas tienen un espacio de acciones mucho mayor que dos opciones; el tamaño de los pesos condiciona la utilidad práctica del estimador.
Alcance: No confundir una comparación descriptiva con un A/B de políticas completas.
FUENTE 16Pasaje: §3.4, PDF p. 5.
Priorizar transiciones cambia la distribución de las actualizaciones. Es un segundo contexto de IA que justifica enlazar muestreo y gradiente.
Alcance: El ejemplo del artículo no usa repetición de experiencias ni aprendizaje por refuerzo.
FUENTE 17Pasaje: §2, definición y diagramas de fiabilidad.
Comparar confianza y frecuencia observada exige indicar las observaciones con que se contrasta. Ajustar la media del lote no valida predicciones individuales futuras.
Alcance: El estudio examina confianza de clasificadores; no atribuir sus resultados al recomendador ficticio.
FUENTE 18Pasaje: PDF p. 2, supuestos A.1–A.3.
El cambio de proporciones de etiquetas es un problema distinto: su método mantiene la distribución de características dada la etiqueta y exige cobertura.
Alcance: Dos porcentajes distintos en una misma tabla no prueban un cambio temporal en la población.
FUENTE 19Pasaje: §2 y demostración de la igualdad de riesgos ponderados.
El traslado de riesgo entre poblaciones presupone que la respuesta condicional se conserva. En el lote fijamos las respuestas y cambiamos pesos por definición.
Alcance: No suponer que en producción la respuesta será invariante ante cambios de interfaz o política.
Cómo comprobar la implementación
FUENTE 20Pasaje: Definición y parámetros normalize y sample_weight.
Permite reproducir la pérdida media con pesos por observación; distingue promediar de sumar.
Alcance: Documentación de implementación, no prueba de la identidad matemática.
FUENTE 21Pasaje: avg(X), sum(X) y total(X).
Los agregados excluyen NULL. Conviene fijar qué es falta de exposición y qué es una impresión sin clic antes de construir el denominador.
Alcance: Una consulta correcta sobre filas incompletas no recupera exposiciones omitidas.