論文の概要: Discrete Stochastic Optimization for Public Health Interventions with
Constraints
- arxiv url: http://arxiv.org/abs/2206.13634v1
- Date: Mon, 27 Jun 2022 21:21:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 09:30:01.815637
- Title: Discrete Stochastic Optimization for Public Health Interventions with
Constraints
- Title（参考訳）: 制約を伴う公衆衛生介入に対する離散確率最適化
- Authors: Zewei Li, James C. Spall
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.8275108630751844
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many public health threats exist, motivating the need to find optimal
intervention strategies. Given the stochastic nature of the threats (e.g., the
spread of pandemic influenza, the occurrence of drug overdoses, and the
prevalence of alcohol-related threats), deterministic optimization approaches
may be inappropriate. In this paper, we implement a stochastic optimization
method to address aspects of the 2009 H1N1 and the COVID-19 pandemics, with the
spread of disease modeled by the open source Monte Carlo simulations, FluTE and
Covasim, respectively. Without testing every possible option, the objective of
the optimization is to determine the best combination of intervention
strategies so as to result in minimal economic loss to society. To reach our
objective, this application-oriented paper uses the discrete simultaneous
perturbation stochastic approximation method (DSPSA), a recursive
simulation-based optimization algorithm, to update the input parameters in the
disease simulation software so that the output iteratively approaches minimal
economic loss. Assuming that the simulation models for the spread of disease
(FluTE for H1N1 and Covasim for COVID-19 in our case) are accurate
representations for the population being studied, the simulation-based strategy
we present provides decision makers a powerful tool to mitigate potential human
and economic losses from any epidemic. The basic approach is also applicable in
other public health problems, such as opioid abuse and drunk driving.
- Abstract（参考訳）: 多くの公衆衛生上の脅威があり、最適な介入戦略を見つける必要がある。
脅威の確率的性質(例えば、パンデミックインフルエンザの拡散、薬物過剰摂取の発生、アルコール関連脅威の流行)を考えると、決定論的最適化アプローチは不適切かもしれない。
本稿では,2009年のh1n1とcovid-19のパンデミックに対処し,オープンソースのモンテカルロシミュレーション,フルート,コバシムをモデルとした疾患の拡散に対応する確率的最適化手法を提案する。
あらゆる可能な選択肢をテストせずに、最適化の目的は、社会への経済的損失を最小限に抑えるために介入戦略の最良の組み合わせを決定することである。
この目的を達成するために、本論文では、再帰的シミュレーションに基づく最適化アルゴリズムである離散的摂動確率近似法(DSPSA)を用いて、病気シミュレーションソフトウェアにおける入力パラメータを更新し、出力が最小の経済損失に反復的に近づくようにする。
感染拡大シミュレーションモデル(FluTE for H1N1,Covasim for COVID-19)が研究対象の人口の正確な表現であることを前提として,本研究のシミュレーションベースの戦略は,疫病の潜在的な人的・経済的損失を軽減する強力なツールを提供する。
基本的なアプローチは、オピオイド乱用や飲酒運転といった他の公衆衛生問題にも適用できる。
関連論文リスト
- 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) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳（メタデータ） (2023-07-31T13:02:36Z) - 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) - Off-Policy Evaluation with Policy-Dependent Optimization Response [90.28758112893054]
我々は,テキスト政治に依存した線形最適化応答を用いた非政治評価のための新しいフレームワークを開発した。
摂動法による政策依存推定のための非バイアス推定器を構築する。
因果介入を最適化するための一般的なアルゴリズムを提供する。
論文 参考訳（メタデータ） (2022-02-25T20:25:37Z) - Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。
本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。
理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
論文 参考訳（メタデータ） (2022-01-31T20:58:47Z) - Resource Planning for Hospitals Under Special Consideration of the
COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。
BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。
BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
論文 参考訳（メタデータ） (2021-05-16T12:38:35Z) - Optimal Control Policies to Address the Pandemic Health-Economy Dilemma [2.5649050169091376]
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。
論文 参考訳（メタデータ） (2021-02-24T13:39:07Z) - Reinforcement Learning for Optimization of COVID-19 Mitigation policies [29.4529156655747]
2020年は新型コロナウイルスの感染拡大が世界最悪の世界的なパンデミックの1つとなった。
世界中の政府は公衆衛生を保護し、経済を最大限に維持するという課題に直面している。
疫学モデルは、これらの病気の拡散に関する洞察を与え、介入政策の効果を予測する。
論文 参考訳（メタデータ） (2020-10-20T18:40:15Z) - 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) - A Deep Q-learning/genetic Algorithms Based Novel Methodology For
Optimizing Covid-19 Pandemic Government Actions [63.669642197519934]
我々はSEIR疫学モデルを用いて、人口の時間とともにウイルスウイルスの進化を表現している。
報酬システムにより、アクションのシーケンス(統合、自己同化、二メートル距離、制限を取らない)を評価する。
どちらの意味でも、パンデミックの悪影響を抑えるために政府が取るべき行動を発見する上で、我々の方法論が有効な手段であることを実証する。
論文 参考訳（メタデータ） (2020-05-15T17:17:45Z) - Simulation-Based Inference for Global Health Decisions [9.850436827722419]
機械学習における最近のブレークスルー、特にシミュレーションベースの推論について論じる。
研究をさらに刺激するために、新型コロナウイルスとマラリア疫学モデルを確率的プログラムに変えるソフトウェアインターフェースを開発している。
論文 参考訳（メタデータ） (2020-05-14T15:29:45Z)
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。