MAGNIT TECH — среда для тех, кто готов задавать новые стандарты ⚫️
Выходим за рамки привычных достижений: Ян Пиле, руководитель направления развития алгоритмов доступности, опубликовал статью https://link.springer.com/epdf/10.1134/S1995080225613505?sharing_token=r3-A075McLBRI4kOburziUckSORA_DxfnEvY7GoQybYc2YGaLkio_EKGGbWAROJzidxT-t-ynoOtSUwBxBXYEVGQCEeHQFTNZ-do7ZRPfF61Y6EVM6XiMPBgpxq7ckr8DCu44C5QT7ObOsG5b6fzB5GwaEpkiI8nGAffpu4U2Q0= (Lobachevskii Journal of Mathematics, Springer, 2025). Это полноценная рецензируемая работа в индексируемом журнале, а работа велась в MAGNIT TECH.
О чем статья:
Ян проверил, насколько корректно работают разные варианты bootstrap для оценки медианы. Bootstrap – это один из базовых инструментов, который используется для доверительных интервалов, оценки неопределённости и, по сути, в том числе в A/B тестах. При этом в практике (например, в подходах вроде Spotify) часто используют упрощение – аппроксимацию через биномиальное распределение на индексах отсортированной выборки, чтобы считать быстрее и без явной генерации bootstrap-выборок
И ключевой результат здесь неочевидный: оказалось, что разные bootstrap-подходы действительно ведут себя «правильно» по скорости сходимости, но при этом не сходятся к одному и тому же распределению даже при стремлении выборки к бесконечности. Более того, различие сохраняется на уровне констант - то есть это не про порядок ошибки, а про тонкую разницу в самой форме распределения.
При этом важный момент: это не про то, что bootstrap «ломается». На практике используемые приближения (включая биномиальное) остаются вполне рабочими. Но теперь есть строгий ответ, где именно они отличаются от точного решения и почему это отличие не исчезает асимптотически.
Это не теория ради теории. Такие эффекты стоит учитывать на практике, особенно в задачах с медианами и квантилями: A/B тесты, доверительные интервалы, оценка неопределённости через bootstrap. Различия обычно небольшие, но в чувствительных сценариях или при точной калибровке могут иметь значение.
Так фундаментальная математика помогает лучше понять повседневные инструменты аналитики и машинного обучения. Вникнуть до самой сути — подход команды MAGNIT TECH 🏆
Уже готовим контент, где разберем практическую сторону – как эти эффекты проявляются в реальных A/B тестах ❤️
Гордимся командой #без_предела!