論文の概要: Pandemic Policymaking: Learning the Lower Dimensional Manifold of Congressional Responsiveness

• arxiv url: http://arxiv.org/abs/2011.04763v2
• Date: Fri, 13 Nov 2020 13:44:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-24 21:09:33.368740
• Title: Pandemic Policymaking: Learning the Lower Dimensional Manifold of Congressional Responsiveness
• Title（参考訳）: パンデミック政策 : 議会責任の下位次元のマニフォールドを学習する
• Authors: Philip D. Waggoner
• Abstract要約: 本研究は、請求書レベルの特性のみに基づくパンデミック政策空間の潜伏構造について考察する。 その結果、新型コロナウイルス(COVID-19)による政策作成の時期は、関連する政策作成の時期と非常に密接な関係にあることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A recent study leveraging text of pandemic-related policymaking from 1973--2020 explored whether pandemic policymaking has evolved, or whether we are witnessing a new, unique era of policymaking as it relates to large-scale crises like COVID-19. This research picks up on this approach over the same period of study and based on the same data, but excluding text. Instead, using high dimensional manifold learning, this study explores the latent structure of the pandemic policymaking space based only on bill-level characteristics. Results indicate the COVID-19 era of policymaking maps extremely closely onto prior periods of related policymaking. This suggests that there is less of an "evolutionary trend" in pandemic policymaking, where instead there is striking uniformity in Congressional policymaking related to these types of large-scale crises, despite being in a unique era of hyperpolarization, division, and ineffective governance.
• Abstract（参考訳）: 1973-2020年のパンデミック関連政策作成のテキストを活用した最近の研究は、パンデミックの政策作成が進展したかどうか、あるいは新型コロナウイルスのような大規模な危機に関連して、新たな独自の政策作成時代を目の当たりにしているかどうかを調査した。 本研究は、同じ研究期間において、同じデータに基づいて、テキストを除いたこのアプローチを取り上げている。 そこで本研究では,高次元多様体学習を用いて,請求書レベルの特性のみに基づいたパンデミック政策形成空間の潜在構造を考察する。 その結果、新型コロナウイルス(COVID-19)による政策作成の時期は、関連する政策作成の期間に非常に近いことが示唆された。 これは、パンデミック政策の「進化的傾向」は少なく、その代わりに、ハイパーポーラリゼーション、分割、非効率な統治というユニークな時代であるにもかかわらず、このような大規模危機に関連する議会の政策立案が一様であることを示唆している。

関連論文リスト

• Statistical Analysis of Policy Space Compression Problem [54.1754937830779]
  政策探索手法は強化学習において重要であり、継続的な状態反応と部分的に観察可能な問題に対処するための枠組みを提供する。 政策圧縮による政策空間の削減は、学習プロセスを加速するための強力で報酬のないアプローチとして現れます。 この手法は方針空間をより小さく代表的な集合に凝縮し、元の効果のほとんどを維持している。
  論文  参考訳（メタデータ） (2024-11-15T02:46:55Z)
• Game and Reference: Policy Combination Synthesis for Epidemic Prevention and Control [4.635793210136456]
  疫病対策のための新しい政策組合せ合成(PCS)モデルを提案する。 極端な意思決定を防止するため、モデル作成ポリシーと実際のポリシーの対立学習を導入する。 また、同様のシナリオ下での最高の歴史的政策から、モデルに経験を引き出すために、対照的な学習も採用しています。
  論文  参考訳（メタデータ） (2024-03-16T00:26:59Z)
• Off-Policy Evaluation for Large Action Spaces via Policy Convolution [60.6953713877886]
  ポリシ・コンボリューション(Policy Convolution)のファミリーは、アクション内の潜在構造を使用して、ログとターゲットポリシを戦略的に畳み込みます。 合成およびベンチマークデータセットの実験では、PCを使用する場合の平均二乗誤差(MSE)が顕著に改善されている。
  論文  参考訳（メタデータ） (2023-10-24T01:00:01Z)
• Policy Dispersion in Non-Markovian Environment [53.05904889617441]
  本稿では,非マルコフ環境下での国家行動ペアの歴史から,多様な政策の学習を試みる。 まず、ポリシー埋め込みを学習するために、トランスフォーマーベースの手法を採用する。 次に,政策埋め込みを積み重ねて分散行列を構築し,多様な政策の集合を誘導する。
  論文  参考訳（メタデータ） (2023-02-28T11:58:39Z)
• Evaluating COVID-19 vaccine allocation policies using Bayesian $m$-top exploration [53.122045119395594]
  マルチアーム・バンディット・フレームワークを用いてワクチンのアロケーション戦略を評価する新しい手法を提案する。 $m$-top Exploringにより、アルゴリズムは最高のユーティリティを期待する$m$ポリシーを学ぶことができる。 ベルギーのCOVID-19流行を個人モデルSTRIDEを用いて検討し、予防接種方針のセットを学習する。
  論文  参考訳（メタデータ） (2023-01-30T12:22:30Z)
• Towards A Unified Policy Abstraction Theory and Representation Learning Approach in Markov Decision Processes [39.94472154078338]
  本稿では,異なるレベルでの政策特徴に関連する3種類の政策抽象化を含む統一的な政策抽象化理論を提案する。 そして、それらを3つの政策指標に一般化し、政策の距離(すなわち類似性)を定量化する。 実証実験では,政策の差異を識別し,政策の一般化を伝達する上で,提案した政策指標と表現の有効性について検討する。
  論文  参考訳（メタデータ） (2022-09-16T03:41:50Z)
• Exploring the Pareto front of multi-objective COVID-19 mitigation policies using reinforcement learning [1.7056617973440933]
  感染症の発生は公衆衛生や社会プロセスに破壊的な影響を及ぼす可能性がある。 現在の研究は、病原体の攻撃率のような単一の目的でポリシーを最適化することに焦点を当てている。 深層多目的強化学習を適用し,最先端のアルゴリズムを用いて解の集合を学習する。
  論文  参考訳（メタデータ） (2022-04-11T11:55:06Z)
• Identification of Subgroups With Similar Benefits in Off-Policy Policy Evaluation [60.71312668265873]
  我々は,パーソナライズの必要性と自信ある予測とのバランスをとる方法を開発した。 本手法は不均一な治療効果の正確な予測に有効であることを示す。
  論文  参考訳（メタデータ） (2021-11-28T23:19:12Z)
• Assessing the Causal Impact of COVID-19 Related Policies on Outbreak Dynamics: A Case Study in the US [19.901831180866132]
  新型コロナウイルスの感染拡大抑制における非医薬品政策の因果的影響の分析は、今後の政策決定にとって重要である。 ここでの課題は、保存されていない共同設立者の存在(例えば、住民の警戒)である。 本稿では,異なる郡における新型コロナウイルス関連政策の流行動態に対する因果的影響を評価することの問題点について検討する。
  論文  参考訳（メタデータ） (2021-05-29T00:40:24Z)
• Doubly Robust Off-Policy Value and Gradient Estimation for Deterministic Policies [80.42316902296832]
  本研究では,行動継続時の非政治データから決定論的政策の政策値と勾配を推定する。 この設定では、密度比が存在しないため、標準重要度サンプリングとポリシー値と勾配の2倍の頑健な推定が失敗する。 異なるカーネル化アプローチに基づく2つの新しい頑健な推定器を提案する。
  論文  参考訳（メタデータ） (2020-06-06T15:52:05Z)
• Analyzing the Design Space of Re-opening Policies and COVID-19 Outcomes in the US [5.74610768062625]
  近年の米国での再開政策は、社会格差緩和の期間を経て、毎日の新型コロナウイルス感染が大幅に増加した。 我々は、ソーシャルネットワークの研究にインスパイアされたモデルを導入し、その疑問に答える。 我々のモデルは、(強制的な)テストの利点が部分的閉鎖の利点を隠蔽していると予測し、おそらくもっと多くの努力がそのような緩和戦略に向けられるべきであることを示唆している。
  論文  参考訳（メタデータ） (2020-04-30T21:28:19Z)

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。