Fugu-MT 論文翻訳(概要): Optimal Control Policies to Address the Pandemic Health-Economy Dilemma

論文の概要: Optimal Control Policies to Address the Pandemic Health-Economy Dilemma

arxiv url: http://arxiv.org/abs/2102.12279v1
Date: Wed, 24 Feb 2021 13:39:07 GMT
ステータス: 処理完了
システム内更新日: 2023-04-10 01:05:58.538592
Title: Optimal Control Policies to Address the Pandemic Health-Economy Dilemma
Title（参考訳）: パンデミック・ヘルス・エコノミージレンマに取り組むための最適制御政策
Authors: Rohit Salgotra, Thomas Seidelmann, Dominik Fischer, Sanaz Mostaghim, Amiram Moshaiov
Abstract要約: 非薬剤的介入(NPI)は、パンデミックを封じ込めるための効果的な手段である。しかし、このような規制措置は一般的に経済に悪影響を及ぼす。我々は、この健康経済ジレンマ(HED)の解決を支援するマクロレベルのアプローチを提案する。
参考スコア（独自算出の注目度）: 2.5649050169091376
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Non-pharmaceutical interventions (NPIs) are effective measures to contain a pandemic. Yet, such control measures commonly have a negative effect on the economy. Here, we propose a macro-level approach to support resolving this Health-Economy Dilemma (HED). First, an extension to the well-known SEIR model is suggested which includes an economy model. Second, a bi-objective optimization problem is defined to study optimal control policies in view of the HED problem. Next, several multi-objective evolutionary algorithms are applied to perform a study on the health-economy performance trade-offs that are inherent to the obtained optimal policies. Finally, the results from the applied algorithms are compared to select a preferred algorithm for future studies. As expected, for the proposed models and strategies, a clear conflict between the health and economy performances is found. Furthermore, the results suggest that the guided usage of NPIs is preferable as compared to refraining from employing such strategies at all. This study contributes to pandemic modeling and simulation by providing a novel concept that elaborates on integrating economic aspects while exploring the optimal moment to enable NPIs.
Abstract（参考訳）: 非薬剤的介入(NPI)は、パンデミックを封じ込めるための効果的な手段である。しかし、こうした規制措置は一般的に経済に悪影響を及ぼす。本稿では,Hed(Health-Economy Dilemma)の解決を支援するマクロレベルのアプローチを提案する。まず、経済モデルを含むよく知られたSEIRモデルの拡張を提案する。次に,2目的最適化問題を定義し,hed問題の観点から最適制御政策を検討する。次に、複数の多目的進化アルゴリズムを適用し、得られた最適ポリシーに固有のヘルス・エコノミーパフォーマンストレードオフの研究を行う。最後に, 応用アルゴリズムの結果を比較し, 今後の研究に好適なアルゴリズムを選択する。期待したとおり、提案されたモデルと戦略では、健康と経済のパフォーマンスの明確な衝突が認められる。さらに,NPIの指導的使用法は,そのような戦略を一切採用しないことに比べれば,好適であることが示唆された。本研究は,NPIを実現するための最適モーメントを探求しながら,経済的な側面の統合を念頭に置いて,パンデミックのモデル化とシミュレーションに寄与する。

関連論文リスト

Efficient Learning of POMDPs with Known Observation Model in Average-Reward Setting [56.92178753201331]
我々は,POMDPパラメータを信念に基づくポリシを用いて収集したサンプルから学習することのできる観測・認識スペクトル(OAS)推定手法を提案する。提案するOAS-UCRLアルゴリズムに対して,OASプロシージャの整合性を示し,$mathcalO(sqrtT log(T)$の残差保証を証明した。
論文参考訳（メタデータ） (2024-10-02T08:46:34Z)
Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
論文参考訳（メタデータ） (2024-05-26T05:38:50Z)
Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
論文参考訳（メタデータ） (2023-07-01T18:35:21Z)
Epidemic Control on a Large-Scale-Agent-Based Epidemiology Model using Deep Deterministic Policy Gradient [0.7244731714427565]
ロックダウン、急激な予防接種プログラム、学校閉鎖、経済刺激は、肯定的または意図しない否定的な結果をもたらす可能性がある。ラウンドトリップを通じて自動的に最適な介入をモデル化し決定するための現在の研究は、シミュレーション目標、スケール(数千人)、介入研究に適さないモデルタイプ、探索可能な介入戦略の数(離散対連続)によって制限されている。我々は,大規模(100,000人)の疫学的エージェントに基づくシミュレーションに基づいて,DDPGに基づく政策最適化フレームワークを用いて,これらの課題に対処する。
論文参考訳（メタデータ） (2023-04-10T09:26:07Z)
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)
Discrete Stochastic Optimization for Public Health Interventions with Constraints [1.8275108630751844]
本稿では,2009年のH1N1と新型コロナウイルスのパンデミックについて,オープンソースのモンテカルロシミュレーションによってモデル化された疾患の拡散について述べる。最適化の目的は、社会に最小限の経済損失をもたらすため、介入戦略の最良の組み合わせを決定することである。
論文参考訳（メタデータ） (2022-06-27T21:21:25Z)
Sequential Information Design: Markov Persuasion Process and Its Efficient Reinforcement Learning [156.5667417159582]
本稿では,逐次情報設計の新たなモデル,すなわちマルコフ説得過程(MPP)を提案する。 MPPのプランニングは、ミオピックレシーバーに同時に説得されるシグナルポリシーを見つけ、送信者の最適な長期累積ユーティリティを誘導する、というユニークな課題に直面している。我々は,楽観主義と悲観主義の両原理の新たな組み合わせを特徴とする,実証可能な効率のよい非回帰学習アルゴリズム,Optimism-Pessimism Principle for Persuasion Process (OP4) を設計する。
論文参考訳（メタデータ） (2022-02-22T05:41:43Z)
Building a Foundation for Data-Driven, Interpretable, and Robust Policy Design using the AI Economist [67.08543240320756]
AIエコノミストフレームワークは,2段階強化学習とデータ駆動型シミュレーションを用いて,効果的な,柔軟な,解釈可能なポリシー設計を可能にする。 RLを用いて訓練されたログリニア政策は、過去の結果と比較して、公衆衛生と経済の両面から社会福祉を著しく改善することがわかった。
論文参考訳（メタデータ） (2021-08-06T01:30:41Z)
Machine Learning-Powered Mitigation Policy Optimization in Epidemiological Models [33.88734751290751]
疫学モデルに基づく最適な政策勧告を得るための新しいアプローチを提案する。このようなルックアヘッド戦略は、指定された制約に順応する非自明なポリシーを推測する。
論文参考訳（メタデータ） (2020-10-16T16:27:17Z)
EpidemiOptim: A Toolbox for the Optimization of Control Policies in Epidemiological Models [12.748861129923348]
EpidemiOptimは、疫学と最適化の研究者間のコラボレーションを容易にするPythonツールボックスである。これは疫学モデルとコスト関数を、最適化実践者が一般的に使用する標準インターフェースを介して最適化問題に変換する。本稿では,エピデミオプティムを用いて,死傷率と経済不況の最適化の下で,ロックダウン制御を動的に行うための最適ポリシーを提案する。
論文参考訳（メタデータ） (2020-10-09T09:25:41Z)
Epidemiologically and Socio-economically Optimal Policies via Bayesian Optimization [4.910276496877174]
大量検疫(英: Mass public quarantining)、通称ロックダウン(英: lock-down)は、病気の拡散を検査するための薬品以外の介入である。本稿では,ベイズ最適化を用いたアクティブな機械学習手法の新たな応用であるESOPについて述べる。この手法は,ロックダウン期間における公衆衛生上の利益と経済活動の減少という社会的・経済的な欠点を最適にバランスするロックダウンスケジュールに到達するための,疫学モデルと相互作用する。
論文参考訳（メタデータ） (2020-05-22T16:11:33Z)

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。