論文の概要: Anytime Capacity Expansion in Medical Residency Match by Monte Carlo Tree Search

• arxiv url: http://arxiv.org/abs/2202.06570v1
• Date: Mon, 14 Feb 2022 09:12:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-15 17:06:19.045442
• Title: Anytime Capacity Expansion in Medical Residency Match by Monte Carlo Tree Search
• Title（参考訳）: モンテカルロ木探索による医用レジデンシーマッチの任意の時間容量拡大
• Authors: Kenshi Abe, Junpei Komiyama, Atsushi Iwasaki
• Abstract要約: 本稿では,両面マッチングにおける容量拡大問題について考察する。 本稿では,高信頼木がキャパシティ拡張の空間を探索する随時手法を提案する。 シミュレーションにより,提案手法は,混合整数プログラミングに基づく正確な手法よりも計算予算が大幅に小さく,ほぼ最適なキャパシティ拡張を実現することを示す。
• 参考スコア（独自算出の注目度）: 10.968271388503986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper considers the capacity expansion problem in two-sided matchings, where the policymaker is allowed to allocate some extra seats as well as the standard seats. In medical residency match, each hospital accepts a limited number of doctors. Such capacity constraints are typically given in advance. However, such exogenous constraints can compromise the welfare of the doctors; some popular hospitals inevitably dismiss some of their favorite doctors. Meanwhile, it is often the case that the hospitals are also benefited to accept a few extra doctors. To tackle the problem, we propose an anytime method that the upper confidence tree searches the space of capacity expansions, each of which has a resident-optimal stable assignment that the deferred acceptance method finds. Constructing a good search tree representation significantly boosts the performance of the proposed method. Our simulation shows that the proposed method identifies an almost optimal capacity expansion with a significantly smaller computational budget than exact methods based on mixed-integer programming.
• Abstract（参考訳）: 本稿では,2面マッチングにおけるキャパシティ拡張問題について考察する。 医療関係では、各病院は限られた数の医師を受け入れている。 このような容量制限は、通常事前に与えられる。 しかし、そのような外来的な制約は医師の福祉を損なう可能性がある。 一方で、病院がいくつかの追加の医師を受け入れることにもメリットがある場合が多い。 この問題に対処するために、上位の信頼木がキャパシティ拡張の空間を探索し、それぞれが遅延受理法が見出すような常駐最適の割り当てを持つ時限手法を提案する。 優れた探索木表現の構築は,提案手法の性能を大幅に向上させる。 提案手法は,混合整数計画に基づく厳密な手法よりも計算予算がかなり小さい場合,ほぼ最適容量拡張を同定できることを示す。

関連論文リスト

• Multi-Armed Bandits with Abstention [62.749500564313834]
  本稿では, 新たな戦略要素である禁忌を取り入れた, 正準多重武装バンディット問題の拡張を提案する。 この強化されたフレームワークでは、エージェントは各タイムステップでアームを選択することだけでなく、観察する前に即時報酬を受け付けないオプションも備えている。
  論文  参考訳（メタデータ） (2024-02-23T06:27:12Z)
• Multicriteria Optimization Techniques for Understanding the Case Mix Landscape of a Hospital [0.0]
  本報告では, 病院における異なる症例混在(PCM)の治療効果について考察する。 ランドスケープの混在をよりよく理解し, キャパシティ利用の観点から最適であるものを特定するために, 改良されたマルチクリテリア最適化(MCO)手法を提案する。
  論文  参考訳（メタデータ） (2023-07-31T22:55:48Z)
• SiMCa: Sinkhorn Matrix Factorization with Capacity Constraints [6.241630263094724]
  本研究では,ユーザとアイテム間の親和性の両方を潜伏空間に埋め込んだ場合のレコメンデーション問題について検討する。 本稿では, 最適輸送ステップを付加した行列係数化に基づくアルゴリズムを提案し, 観測データからユーザ・イテム親和性をモデル化し, アイテムの埋め込みを学習する。
  論文  参考訳（メタデータ） (2022-03-18T18:02:44Z)
• The Design and Implementation of a Broadly Applicable Algorithm for Optimizing Intra-Day Surgical Scheduling [10.92813727735562]
  当科では,手術日選択アルゴリズムであるBEDS(better elective day of surgery)アルゴリズムについて紹介する。 BEDSは、ほとんどの病院で利用可能な限られたツールで容易に実装でき、外科医の自律性や集中的なスケジュールの削減は必要とせず、病院の容量や患者数の変更と互換性がある。 このフレームワークによって生成されたアルゴリズムは、幅広い目的や制約と互換性を持ちながら、BEDSの望ましい特徴の多くを保持している、と我々は主張する。
  論文  参考訳（メタデータ） (2022-03-14T04:19:25Z)
• Frequent Itemset-driven Search for Finding Minimum Node Separators in Complex Networks [61.2383572324176]
  本稿では,データマイニングにおける頻繁なアイテムセットマイニングの概念をよく知られたメメティック検索フレームワークに統合する,頻繁なアイテムセット駆動探索手法を提案する。 頻繁なアイテムセット組換え演算子を反復的に使用して、高品質なソリューションで頻繁に発生するアイテムセットに基づいた有望な子孫ソリューションを生成する。 特に、29個の新しい上界を発見し、以前の18個の最もよく知られた境界と一致する。
  論文  参考訳（メタデータ） (2022-01-18T11:16:40Z)
• Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
  医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。 医療対話生成のためのエンドツーエンドの変分推論手法を提案する。 行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
  論文  参考訳（メタデータ） (2021-05-13T04:14:35Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Batched Neural Bandits [107.5072688105936]
  BatchNeuralUCBはニューラルネットワークと楽観性を組み合わせ、探索と探索のトレードオフに対処する。 BatchNeuralUCBは、完全なシーケンシャルバージョンと同じ後悔を達成しつつ、ポリシー更新の数を大幅に減らしています。
  論文  参考訳（メタデータ） (2021-02-25T17:36:44Z)
• Identifying Decision Points for Safe and Interpretable Reinforcement Learning in Hypotension Treatment [24.010934215216142]
  連続軌道をいくつかの解釈可能な決定点に圧縮する新しい枠組みを開発する。 我々は,高血圧患者データセットのコホートからレコメンデーションを作成するためのアプローチを適用した。
  論文  参考訳（メタデータ） (2021-01-09T07:15:33Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。