Fugu-MT 論文翻訳(概要): Modeling Mobile Health Users as Reinforcement Learning Agents

論文の概要: Modeling Mobile Health Users as Reinforcement Learning Agents

arxiv url: http://arxiv.org/abs/2212.00863v1
Date: Thu, 1 Dec 2022 20:52:05 GMT
ステータス: 処理完了
システム内更新日: 2022-12-05 16:05:08.955754
Title: Modeling Mobile Health Users as Reinforcement Learning Agents
Title（参考訳）: 強化学習エージェントとしてのモバイルヘルスユーザーモデリング
Authors: Eura Shin, Siddharth Swaroop, Weiwei Pan, Susan Murphy, Finale Doshi-Velez
Abstract要約: モバイルヘルス(mHealth)技術は、患者が日常生活で健康な行動を採用する/維持することを可能にする。介入がなければ、人間の意思決定が損なわれる可能性がある。障害の種類によって最適な介入のタイプが異なることを示す。
参考スコア（独自算出の注目度）: 27.300572343559285
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Mobile health (mHealth) technologies empower patients to adopt/maintain healthy behaviors in their daily lives, by providing interventions (e.g. push notifications) tailored to the user's needs. In these settings, without intervention, human decision making may be impaired (e.g. valuing near term pleasure over own long term goals). In this work, we formalize this relationship with a framework in which the user optimizes a (potentially impaired) Markov Decision Process (MDP) and the mHealth agent intervenes on the user's MDP parameters. We show that different types of impairments imply different types of optimal intervention. We also provide analytical and empirical explorations of these differences.
Abstract（参考訳）: モバイルヘルス(mHealth)技術は、患者の要求に合わせた介入(プッシュ通知など)を提供することで、患者の日常生活における健康な行動の採用と維持を可能にする。これらの設定では、介入なしに人間の意思決定が損なわれることがある(例えば、長期的目標よりも近い喜びを評価するなど)。本研究では,ユーザが(潜在的に障害のある)マルコフ決定プロセス(MDP)を最適化し,mHealthエージェントがユーザのMDPパラメータに介入するフレームワークとの関係を形式化する。障害の種類によって最適な介入のタイプが異なることを示す。また,これらの相違点の分析的および実証的研究を行った。

関連論文リスト

Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
論文参考訳（メタデータ） (2024-10-31T20:05:51Z)
Which Client is Reliable?: A Reliable and Personalized Prompt-based Federated Learning for Medical Image Question Answering [51.26412822853409]
本稿では,医学的視覚的質問応答(VQA)モデルのための,パーソナライズド・フェデレーションド・ラーニング(pFL)手法を提案する。提案手法では,学習可能なプロンプトをTransformerアーキテクチャに導入し,膨大な計算コストを伴わずに,多様な医療データセット上で効率的にトレーニングする。
論文参考訳（メタデータ） (2024-10-23T00:31:17Z)
Adaptive Multi-Agent Deep Reinforcement Learning for Timely Healthcare Interventions [17.405080523382235]
マルチエージェント深部強化学習(DRL)を用いた新しいAI駆動型患者監視フレームワークを提案する。アプローチでは複数の学習エージェントをデプロイし,心拍数,呼吸量,温度などの生理的特徴をモニタする。提案する多エージェントDRLフレームワークの性能を,2つのデータセットから実世界の生理・運動データを用いて評価した。
論文参考訳（メタデータ） (2023-09-20T00:42:08Z)
Assisting clinical practice with fuzzy probabilistic decision trees [2.0999441362198907]
本研究では,確率木とファジィ論理を組み合わせて臨床実習を支援する新しい手法であるFPTを提案する。 FPTとその予測は、この目的のために特別に設計されたユーザフレンドリーなインターフェースを用いて、直感的に臨床実践を支援することができることを示す。
論文参考訳（メタデータ） (2023-04-16T14:05:16Z)
Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
論文参考訳（メタデータ） (2023-03-21T21:42:03Z)
Reinforcement Learning with a Terminator [80.34572413850186]
我々は, TerMDP のパラメータを学習し, 推定問題の構造を活用し, 状態ワイドな信頼境界を提供する。我々はこれらを用いて証明可能な効率のよいアルゴリズムを構築し、終端を考慮し、その後悔を抑える。
論文参考訳（メタデータ） (2022-05-30T18:40:28Z)
Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文参考訳（メタデータ） (2021-04-28T15:32:42Z)
Preferential Mixture-of-Experts: Interpretable Models that Rely on Human Expertise as much as Possible [29.097034423502368]
新規な人間-ML混合専門家モデルであるPreference MoEを提案する。我々のモデルは、人間のルールをいつ守るべきか、あるいは避けるべきかの情報を提供する解釈可能なゲーティング機能を示す。ヒト免疫不全ウイルス(HIV)の治療および主要なうつ病疾患(MDD)の管理のための2つの臨床応用におけるPreference MoEの有用性を示す。
論文参考訳（メタデータ） (2021-01-13T21:57:00Z)
Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。逆生成したサンプルはドメイン適応時に使用される。その結果,本手法の有効性とタスクの一般性が確認された。
論文参考訳（メタデータ） (2021-01-13T03:20:20Z)
Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文参考訳（メタデータ） (2020-12-10T13:56:00Z)
Universal Physiological Representation Learning with Soft-Disentangled Rateless Autoencoders [24.02384472840036]
レートレスオートエンコーダ(RAE)の概念を用いた対角的特徴符号化法を提案する。ユーザ固有の機能とタスク関連機能の間には,新たな敵ネットワークを導入することで,良好なトレードオフを実現する。クロスオブジェクト転送評価の結果、提案手法の利点が示され、平均被写体移動分類精度は最大11.6%向上した。
論文参考訳（メタデータ） (2020-09-28T16:25:12Z)

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。