論文の概要: Rapidly Personalizing Mobile Health Treatment Policies with Limited Data

• arxiv url: http://arxiv.org/abs/2002.09971v1
• Date: Sun, 23 Feb 2020 18:59:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 09:38:03.384206
• Title: Rapidly Personalizing Mobile Health Treatment Policies with Limited Data
• Title（参考訳）: 限られたデータを用いたモバイル医療政策の迅速なパーソナライズ
• Authors: Sabina Tomkins, Peng Liao, Predrag Klasnja, Serena Yeung, Susan Murphy
• Abstract要約: 我々は、他のユーザのデータを適応的かつ原則的に利用することで、パーソナライズされたポリシーを学ぶIntelligentPoolingを提案する。 我々は、IntelligentPoolingが、すべての生成モデルで最先端よりも平均26%低い後悔を達成していることを示す。
• 参考スコア（独自算出の注目度）: 9.07325490998379
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In mobile health (mHealth), reinforcement learning algorithms that adapt to one's context without learning personalized policies might fail to distinguish between the needs of individuals. Yet the high amount of noise due to the in situ delivery of mHealth interventions can cripple the ability of an algorithm to learn when given access to only a single user's data, making personalization challenging. We present IntelligentPooling, which learns personalized policies via an adaptive, principled use of other users' data. We show that IntelligentPooling achieves an average of 26% lower regret than state-of-the-art across all generative models. Additionally, we inspect the behavior of this approach in a live clinical trial, demonstrating its ability to learn from even a small group of users.
• Abstract（参考訳）: モバイルヘルス(mHealth)では、パーソナライズされたポリシーを学習せずに文脈に適応する強化学習アルゴリズムは、個人のニーズを区別することができない。 しかし、mHealth介入のin situ配信によるノイズの多さは、単一のユーザのデータにのみアクセスした時に学習するアルゴリズムの能力を損なう可能性があるため、パーソナライゼーションが難しくなる。 本稿では、他のユーザのデータを適応的かつ原則的に利用することでパーソナライズされたポリシーを学習するintelligentpoolingを提案する。 我々は、IntelligentPoolingが、すべての生成モデルで最先端よりも平均26%低い後悔を達成していることを示す。 さらに,本手法の実態を実地臨床試験で検証し,少数のユーザからでも学習できることを実証した。

関連論文リスト

• Adaptive Interventions with User-Defined Goals for Health Behavior Change [17.688448640253494]
  モバイルヘルスアプリケーションは、低コストでスケーラブルなヘルス行動変化促進のための有望な道を示す。 個人固有の目標、好み、生活状況に対するアドバイスを調整することは、健康コーチングの重要な要素である。 パーソナライズされた報酬関数に対応する新しいトンプソンサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-16T01:00:04Z)
• Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
  デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。 患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。 患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-21T21:42:03Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Interpretable Off-Policy Learning via Hyperbox Search [20.83151214072516]
  本稿では,ハイパーボックス検索による非政治学習の解釈アルゴリズムを提案する。 我々のポリシーは可解な正規形式(すなわち OR-of-ANDs)で表すことができ、したがって不可知である。 我々のアルゴリズムは、後悔の観点から、政治以外の学習を解釈することによる最先端の手法よりも優れていることを実証する。
  論文  参考訳（メタデータ） (2022-03-04T18:10:24Z)
• Learning Language and Multimodal Privacy-Preserving Markers of Mood from Mobile Data [74.60507696087966]
  精神状態は、先進医療に共通する国でも診断されていない。 人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。 本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
  論文  参考訳（メタデータ） (2021-06-24T17:46:03Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• Privacy-Constrained Policies via Mutual Information Regularized Policy Gradients [54.98496284653234]
  報酬を最大化しつつ、行動を通じて特定の機密状態変数の開示を最小限に抑えながら、報酬を最大化する政策を訓練する課題を考察する。 本稿では, 感性状態と行動の相互情報に基づく正則化器を導入することで, この問題を解決する。 プライバシ制約のあるポリシーを最適化するためのモデルベース推定器を開発した。
  論文  参考訳（メタデータ） (2020-12-30T03:22:35Z)
• MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
  ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。 我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
  論文  参考訳（メタデータ） (2020-11-17T15:18:38Z)
• IntelligentPooling: Practical Thompson Sampling for mHealth [0.38998241153792446]
  強化学習は、シーケンシャルな処理決定を最適に行う方法を学ぶのに最適である。 我々はThompson-Sampling banditアルゴリズムを一般化してIntelligentPoolingを開発した。 我々は、IntelligentPoolingが、最先端技術よりも平均26%低い後悔を達成していることを示す。
  論文  参考訳（メタデータ） (2020-07-31T19:03:09Z)
• Anonymizing Data for Privacy-Preserving Federated Learning [3.3673553810697827]
  我々は,フェデレートラーニングの文脈において,プライバシを提供するための最初の構文的アプローチを提案する。 当社のアプローチは,プライバシの保護レベルをサポートしながら,実用性やモデルの性能を最大化することを目的としている。 医療領域における2つの重要な課題について,100万人の患者の実世界電子健康データを用いて包括的実証評価を行った。
  論文  参考訳（メタデータ） (2020-02-21T02:30:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。