論文の概要: Service resource allocation problem in the IoT driven personalized healthcare information platform

• arxiv url: http://arxiv.org/abs/2204.02521v1
• Date: Tue, 5 Apr 2022 23:51:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-08 01:13:28.847070
• Title: Service resource allocation problem in the IoT driven personalized healthcare information platform
• Title（参考訳）: iot駆動型パーソナライズ医療情報プラットフォームにおけるサービスリソース割り当て問題
• Authors: Ji Fang, Vincent CS Lee, Haiyan Wang
• Abstract要約: IoTウェアラブルは健康データを収集し、医療情報プラットフォームに転送する。 プラットフォームはデータを医療レコメンデーションに処理し、ユーザに届ける。 本稿では、サービス容量を制御し、サービスをアクティブユーザへ自動的にプッシュすることで、サービスリソースを割り当てる効率的な方法を模索する。
• 参考スコア（独自算出の注目度）: 14.517651277594796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With real-time monitoring of the personalized healthcare condition, the IoT wearables collect the health data and transfer it to the healthcare information platform. The platform processes the data into healthcare recommendations and then delivers them to the users. The IoT structures in the personalized healthcare information service allows the users to engage in the loop in servitization more convenient in the COVID-19 pandemic. However, the uncertainty of the engagement behavior among the individual may result in inefficient of the service resource allocation. This paper seeks an efficient way to allocate the service resource by controlling the service capacity and pushing the service to the active users automatically. In this study, we propose a deep reinforcement learning method to solve the service resource allocation problem based on the proximal policy optimization (PPO) algorithm. Experimental results using the real world (open source) sport dataset reveal that our proposed proximal policy optimization adapts well to the users' changing behavior and with improved performance over fixed service resource policies.
• Abstract（参考訳）: パーソナライズされた医療状況のリアルタイム監視によって、iotウェアラブルは健康データを収集し、医療情報プラットフォームに転送する。 プラットフォームはデータをヘルスケアのレコメンデーションに処理し、ユーザに配信する。 パーソナライズされた医療情報サービスのIoT構造により、新型コロナウイルスのパンデミックにおいて、ユーザーはより便利なサービテーションのループに参加することができる。 しかしながら、個人間の関与行動の不確実性は、サービスリソースの割り当ての効率を損なう可能性がある。 本稿では、サービス容量を制御し、サービスをアクティブユーザへ自動的にプッシュすることで、サービスリソースを割り当てる効率的な方法を求める。 本研究では,ppo(proximal policy optimization)アルゴリズムに基づくサービス資源割当問題を解決するための深層強化学習手法を提案する。 実世界(オープンソース)のスポーツデータセットを用いた実験結果から,提案手法はユーザの行動変化に順応し,固定されたサービスリソースポリシよりも性能が向上することが明らかとなった。

関連論文リスト

• A Federated Learning Platform as a Service for Advancing Stroke Management in European Clinical Centers [37.285731240749904]
  本稿では,FLプロセスの構成,監視,管理を支援するための新しいFLプラットフォームを提案する。 臨床環境に固有の生産感度を考慮し,提案するFLアーキテクチャの安全性を強調した。 このプラットフォームは、公開データセットを使用して、さまざまな運用環境でのテストに成功している。
  論文  参考訳（メタデータ） (2024-10-02T09:24:05Z)
• A Learning-based Incentive Mechanism for Mobile AIGC Service in Decentralized Internet of Vehicles [49.86094523878003]
  モバイルAIGCサービスアロケーションのための分散インセンティブ機構を提案する。 我々は、AIGCサービスのRSUへの供給と、IoVコンテキスト内のサービスに対するユーザ要求のバランスを見つけるために、マルチエージェントの深層強化学習を採用している。
  論文  参考訳（メタデータ） (2024-03-29T12:46:07Z)
• Practically adaptable CPABE based Health-Records sharing framework [0.0]
  CPABEとOAuth2.0をベースとした、効率的なアクセス制御と認可のためのフレームワークを提案し、単一のクライアントアプリケーション間でのEHR共有の実現性を改善した。 提案するフレームワークの実装とその分析比較は,性能とレイテンシの最小化の観点から,その可能性を示唆している。
  論文  参考訳（メタデータ） (2024-03-11T00:23:17Z)
• 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)
• Blockchain-empowered Federated Learning for Healthcare Metaverses: User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
  まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。 次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
  論文  参考訳（メタデータ） (2023-07-29T12:54:03Z)
• Reliable and Resilient AI and IoT-based Personalised Healthcare Services: A Survey [1.581123237785583]
  本稿では、パーソナライズされた医療サービスに関する包括的調査を行う。 われわれはまず,現代医療のインターネット・オブ・モノ(HIoT)における包括的パーソナライズされた医療サービスの主な要件について概説する。 第2に、AIと非AIベースのアプローチを使用して、IoTベースのヘルスケアシステムのための基本的な3層アーキテクチャについて検討した。 第3に、AIと非AIベースのソリューションとともに、IoTアーキテクチャの各レイヤに対するさまざまなセキュリティ脅威を強調しました。
  論文  参考訳（メタデータ） (2022-08-29T23:14:02Z)
• FEBR: Expert-Based Recommendation Framework for beneficial and personalized content [77.86290991564829]
  推奨コンテンツの質を評価するための見習い学習フレームワークであるFEBR(Expert-Based Recommendation Framework)を提案する。 このフレームワークは、推奨評価環境において専門家(信頼できると仮定される)の実証された軌跡を利用して、未知のユーティリティ機能を回復する。 ユーザ関心シミュレーション環境(RecSim)によるソリューションの性能評価を行う。
  論文  参考訳（メタデータ） (2021-07-17T18:21:31Z)
• Incorporating Domain Knowledge into Health Recommender Systems using Hyperbolic Embeddings [0.0]
  本研究は,患者の健康状態に基づいたプライマリケアにおける患者と医師のマッチングのためのコンテンツベースのレコメンデーションシステムを提案する。 提案手法は,推薦精度において従来のモデルよりも優れており,ビジネス上の重要な意味を持つ。
  論文  参考訳（メタデータ） (2021-06-14T19:33:37Z)
• Toward Multiple Federated Learning Services Resource Sharing in Mobile Edge Networks [88.15736037284408]
  本稿では,マルチアクセスエッジコンピューティングサーバにおいて,複数のフェデレーション付き学習サービスの新たなモデルについて検討する。 共同資源最適化とハイパーラーニング率制御の問題,すなわちMS-FEDLを提案する。 シミュレーションの結果,提案アルゴリズムの収束性能を実証した。
  論文  参考訳（メタデータ） (2020-11-25T01:29:41Z)
• 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)
• Service mining for Internet of Things [1.6371451481715193]
  Internet of Thingsサービスのボトムアップで興味深い関係を見つけるためのサービスマイニングフレームワークが提案されている。 発見されたサービス関係の面白さを評価するための指標のセットを提示する。
  論文  参考訳（メタデータ） (2020-05-14T11:58:34Z)

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。