論文の概要: Reconciling Risk Allocation and Prevalence Estimation in Public Health
Using Batched Bandits
- arxiv url: http://arxiv.org/abs/2110.13306v1
- Date: Mon, 25 Oct 2021 22:33:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-28 07:19:36.625951
- Title: Reconciling Risk Allocation and Prevalence Estimation in Public Health
Using Batched Bandits
- Title（参考訳）: バッチバンディットを用いた公衆衛生におけるリスク割当と有病率推定の調整
- Authors: Ben Chugg, Daniel E. Ho
- Abstract要約: 多くの公衆衛生環境では、既知の脆弱な領域に資源を割り当てることと、問題の全体的な頻度について学ぶことに緊張感がある。
ドアツードアのCovid-19テストプログラムにインスパイアされた私たちは、多武装のバンディット戦略とサンプリング理論からの洞察を組み合わせて、リスクの高い地域へのリソースの割り当てを続けながら、正確な有病率推定を回復する方法を実証しました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In many public health settings, there is a perceived tension between
allocating resources to known vulnerable areas and learning about the overall
prevalence of the problem. Inspired by a door-to-door Covid-19 testing program
we helped design, we combine multi-armed bandit strategies and insights from
sampling theory to demonstrate how to recover accurate prevalence estimates
while continuing to allocate resources to at-risk areas. We use the outbreak of
an infectious disease as our running example. The public health setting has
several characteristics distinguishing it from typical bandit settings, such as
distribution shift (the true disease prevalence is changing with time) and
batched sampling (multiple decisions must be made simultaneously).
Nevertheless, we demonstrate that several bandit algorithms are capable
out-performing greedy resource allocation strategies, which often perform worse
than random allocation as they fail to notice outbreaks in new areas.
- Abstract（参考訳）: 多くの公衆衛生環境では、既知の脆弱な領域に資源を割り当てることと、問題の全体的な頻度について学ぶことに緊張感がある。
ドアツードアのCovid-19テストプログラムにインスパイアされた私たちは、多武装のバンディット戦略とサンプリング理論からの洞察を組み合わせて、リスクの高い地域にリソースを割り当てながら、正確な有病率推定を回復する方法を実証しました。
ランニング例としては、感染症の発生を例に挙げる。
公衆衛生設定は、分散シフト(真の病気の頻度は時間とともに変化している)やバッチサンプリング(複数の決定を同時に行う必要がある)など、典型的なバンディット設定と区別するいくつかの特徴がある。
それにもかかわらず、いくつかのバンディットアルゴリズムは、新しい領域の出現に気付かず、しばしばランダムなアロケーションよりも悪いアロケーション戦略を達成できることを示す。
関連論文リスト
- Planning and Learning in Risk-Aware Restless Multi-Arm Bandit Problem [4.178382980763478]
レスレス・マルチアーム・バンディットでは、中央エージェントは複数のバンドイット(アーム)に限られたリソースを最適に分散させる。
本研究では,リスク・アウェアネスを組み込むことにより,従来のレスレスト・マルチアーム・バンディット問題をリスクニュートラル目標に一般化する。
我々は、リスク認識対象の指標可能性条件を確立し、Whittleインデックスに基づくソリューションを提供する。
論文 参考訳（メタデータ） (2024-10-30T13:59:30Z) - Identifiable latent bandits: Combining observational data and exploration for personalized healthcare [7.731569068280131]
Banditのアルゴリズムは、パーソナライズされた意思決定を改善することを約束している。
ほとんどの健康アプリケーションでは、各患者に新しいバンディットを適合させることは不可能であり、観察可能な変数はしばしば最適な治療法を決定するのに不十分である。
潜伏帯域は、文脈変数が明らかにできる範囲を超えて、迅速な探索とパーソナライズの両方を提供する。
本稿では, 非線形独立成分分析に基づく帯域幅アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-23T07:26:38Z) - Information Capacity Regret Bounds for Bandits with Mediator Feedback [55.269551124587224]
我々は,政策セットの複雑さに対する情報理論尺度として,政策セットの容量を導入する。
古典的なEXP4アルゴリズムを採用することで、ポリシーセットの容量に応じて、新たな後悔の限界を提供する。
ポリシーセットファミリの選択については、キャパシティと同じようなスケールで、ほぼ整合性の低い境界を証明します。
論文 参考訳（メタデータ） (2024-02-15T19:18:47Z) - A Risk-Averse Framework for Non-Stationary Stochastic Multi-Armed
Bandits [0.0]
医療や金融のような高ボラティリティの分野では、素直な報酬アプローチは学習問題の複雑さを正確に捉えないことが多い。
非定常環境で動作する適応型リスク認識戦略の枠組みを提案する。
論文 参考訳（メタデータ） (2023-10-24T19:29:13Z) - Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources [47.57108369791273]
医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。
医療資源割り当てプロトコルの普遍的な標準は存在しない。
本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
論文 参考訳（メタデータ） (2023-09-15T17:28:06Z) - 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) - Adaptive Sequential Surveillance with Network and Temporal Dependence [1.7205106391379026]
戦略的なテストアロケーションは、パンデミックと既存のパンデミックの両方のコントロールにおいて重要な役割を果たしている。
感染症の監視は、ユニークな統計上の課題を提示する。
適応型シーケンシャル監視のためのオンライン・スーパーラーナーを提案する。
論文 参考訳（メタデータ） (2022-12-05T17:04:17Z) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-12T20:37:33Z) - Robustness Guarantees for Mode Estimation with an Application to Bandits [131.21717367564963]
平均ではなく報酬分布のモードを値とするマルチアームバンディットの理論を導入する。
我々は,我々のアルゴリズムが逆雑音列による腕の摂動に頑健であることを示すシミュレーションで示す。
論文 参考訳（メタデータ） (2020-03-05T21:29:27Z) - Survival Cluster Analysis [93.50540270973927]
異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。
このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
論文 参考訳（メタデータ） (2020-02-29T22:41:21Z)
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。