論文の概要: Planning and Scheduling in Digital Health with Answer Set Programming
- arxiv url: http://arxiv.org/abs/2208.03099v1
- Date: Fri, 5 Aug 2022 10:51:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-08 12:58:42.618836
- Title: Planning and Scheduling in Digital Health with Answer Set Programming
- Title(参考訳): 解答セットプログラミングによるデジタルヘルスの計画とスケジューリング
- Authors: Marco Mochi
- Abstract要約: 医療の問題は、解決するためには、いくつかの制約と異なるタイプのリソースを考慮する必要があるため、複雑である。
我々は、すでにテスト済みのソリューションを拡張したり、新しい問題に対するソリューションをモデル化することで、このような問題の解決策を提案する予定です。
- 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 the hospital world there are several complex combinatory problems, and
solving these problems is important to increase the degree of patients'
satisfaction and the quality of care offered. The problems in the healthcare
are complex since to solve them several constraints and different type of
resources should be taken into account. Moreover, the solutions must be
evaluated in a small amount of time to ensure the usability in real scenarios.
We plan to propose solutions to these kind of problems both expanding already
tested solutions and by modelling solutions for new problems, taking into
account the literature and by using real data when available. Solving these
kind of problems is important but, since the European Commission established
with the General Data Protection Regulation that each person has the right to
ask for explanation of the decision taken by an AI, without developing
Explainability methodologies the usage of AI based solvers e.g. those based on
Answer Set programming will be limited. Thus, another part of the research will
be devoted to study and propose new methodologies for explaining the solutions
obtained.
- Abstract(参考訳): 病院の世界にはいくつかの複雑な複合的問題があり、患者の満足度やケアの質を高めるためにこれらの問題を解決することが重要である。
医療における問題は、いくつかの制約を解決するために複雑であり、異なる種類のリソースを考慮すべきである。
さらに、実際のシナリオでユーザビリティを保証するために、ソリューションを短時間で評価する必要があります。
我々は、既にテスト済みのソリューションを拡大し、新しい問題に対するモデリングソリューションによって、文献を考慮し、利用可能な時に実際のデータを使用することで、これらの問題の解決策を提案する予定です。
この種の問題の解決は重要であるが、欧州委員会は一般データ保護規則(General Data Protection Regulation)を制定したので、説明可能性の方法論を開発せずに、各人がAIによる決定の説明を求める権利があるので、例えばAnswer Setプログラミングに基づくようなAIベースの解法の使用は制限される。
したがって、研究の別の部分は、得られたソリューションを説明するための新しい方法論の研究と提案に費やされる。
関連論文リスト
- Looking Ahead to Avoid Being Late: Solving Hard-Constrained Traveling
Salesman Problem [36.88003015541172]
そこで本稿では,TSP と Time Windows (TSPTW) の正当性を改善するために,ルックアヘッド情報を用いた新しい学習手法を提案する。
多様なデータセットに関する包括的な実験により、MUSLAは既存のベースラインを上回り、一般化可能性を示す。
論文 参考訳(メタデータ) (2024-03-08T13:49:21Z) - Efficient anytime algorithms to solve the bi-objective Next Release
Problem [2.8148957592979422]
次のリリース問題は、ソフトウェア製品の次のリリースで開発する要件のサブセットを選択することです。
そこで我々は,探索中いつでもよく分散されたソリューション群を維持できる5つの新しい手法を提案する。
論文 参考訳(メタデータ) (2024-02-07T05:03:31Z) - Attention-based Reinforcement Learning for Combinatorial Optimization:
Application to Job Shop Scheduling Problem [2.2113048305291683]
そこで本研究では,求人スケジューリング問題に対する注意に基づく強化学習手法を提案する。
重要な結果として,提案手法の学習者は,学習に使われない大規模問題を解くために再利用できる。
論文 参考訳(メタデータ) (2024-01-29T21:31:54Z) - On solving decision and risk management problems subject to uncertainty [91.3755431537592]
不確実性は意思決定とリスク管理において広範囲にわたる課題である。
本稿では,このような戦略を体系的に理解し,その適用範囲を判断し,それらをうまく活用するための枠組みを開発する。
論文 参考訳(メタデータ) (2023-01-18T19:16:23Z) - Rushing and Strolling among Answer Sets -- Navigation Made Easy [0.0]
本研究では,フェースドブラウジングに類似した回答集合の所望のサブセットに対する対話的ナビゲーションのためのフレームワークを提案する。
提案手法により,あるペースで解のサブスペース内外を意識的にズームアウトすることで,解空間を探索することができる。
論文 参考訳(メタデータ) (2021-12-14T17:50:06Z) - A Mutual Information Maximization Approach for the Spurious Solution
Problem in Weakly Supervised Question Answering [60.768146126094955]
弱々しい教師付き質問応答は通常、最終的な答えのみを監督信号として持つ。
偶然に正解を導出する刺激的な解が多数存在するかもしれないが、そのような解の訓練はモデルの性能を損なう可能性がある。
本稿では,質問応答対と予測解間の相互情報の最大化により,このような意味的相関を明示的に活用することを提案する。
論文 参考訳(メタデータ) (2021-06-14T05:47:41Z) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳(メタデータ) (2021-06-08T10:38:09Z) - Discovering Diverse Solutions in Deep Reinforcement Learning [84.45686627019408]
強化学習アルゴリズムは通常、特定のタスクの単一のソリューションを学ぶことに限定される。
連続的あるいは離散的な低次元潜在変数に条件付きポリシーを訓練することにより、無限に多くの解を学習できるRL法を提案する。
論文 参考訳(メタデータ) (2021-03-12T04:54:31Z) - Learning Combined Set Covering and Traveling Salesman Problem [2.0407204637672893]
本研究では,集合被覆とトラベリングセールスマンの複合問題について検討し,この問題を解くために整数プログラミングの混合式を提供する。
最適なポリシーを定期的に更新する必要があるアプリケーションに動機付け,この問題を効果的に処理するための機械学習アプローチを提案する。
論文 参考訳(メタデータ) (2020-07-07T05:11:28Z) - Learning What to Defer for Maximum Independent Sets [84.00112106334655]
本稿では,各段階における解の要素的決定を学習することにより,エージェントが適応的に段階数を縮小あるいは拡張する,新たなDRL方式を提案する。
提案手法を最大独立集合(MIS)問題に適用し、現状のDRL方式よりも大幅に改善したことを示す。
論文 参考訳(メタデータ) (2020-06-17T02:19:31Z) - Probably Approximately Correct Constrained Learning [135.48447120228658]
我々は、ほぼ正しい学習フレームワーク(PAC)に基づく一般化理論を開発する。
PAC学習可能なクラスも制約のある学習者であるという意味では,学習者の導入は学習問題を難しくするものではないことを示す。
このソリューションの特性を分析し,制約付き学習が公平でロバストな分類における問題にどのように対処できるかを説明する。
論文 参考訳(メタデータ) (2020-06-09T19:59:29Z)
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。