論文の概要: Kernel-Based Distributed Q-Learning: A Scalable Reinforcement Learning Approach for Dynamic Treatment Regimes

• arxiv url: http://arxiv.org/abs/2302.10434v2
• Date: Mon, 17 Feb 2025 13:07:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:05:51.387975
• Title: Kernel-Based Distributed Q-Learning: A Scalable Reinforcement Learning Approach for Dynamic Treatment Regimes
• Title（参考訳）: カーネルに基づく分散Q-Learning:動的処理規則に対するスケーラブル強化学習アプローチ
• Authors: Di Wang, Yao Wang, Shao-Bo Lin,
• Abstract要約: 動的処理規則(DTR)を生成するためのスケーラブルなカーネルベースの分散Q-ラーニングアルゴリズムを提案する。 その結果,本アルゴリズムは,最先端の深層強化学習手法に関連する計算複雑性を著しく低減することを示した。
• 参考スコア（独自算出の注目度）: 20.62850899223748
• License:
• Abstract: In recent years, large amounts of electronic health records (EHRs) concerning chronic diseases have been collected to facilitate medical diagnosis. Modeling the dynamic properties of EHRs related to chronic diseases can be efficiently done using dynamic treatment regimes (DTRs). While reinforcement learning (RL) is a widely used method for creating DTRs, there is ongoing research in developing RL algorithms that can effectively handle large amounts of data. In this paper, we present a scalable kernel-based distributed Q-learning algorithm for generating DTRs. We perform both theoretical assessments and numerical analysis for the proposed approach. The results demonstrate that our algorithm significantly reduces the computational complexity associated with the state-of-the-art deep reinforcement learning methods, while maintaining comparable generalization performance in terms of accumulated rewards across stages, such as survival time or cumulative survival probability.
• Abstract（参考訳）: 近年,慢性疾患に関する電子的健康記録(EHR)が大量に収集され,診断が容易になっている。 慢性疾患に関連するERHの動的特性のモデリングは、動的治療レジーム(DTR)を用いて効率的に行うことができる。 強化学習(RL)はDTRを作成するために広く用いられている手法であるが、大量のデータを効果的に扱えるRLアルゴリズムの開発が進行中である。 本稿では、DTRを生成するためのスケーラブルなカーネルベースの分散Q-ラーニングアルゴリズムを提案する。 提案手法の理論的評価と数値解析を行う。 以上の結果から,本アルゴリズムは,生存時間や累積生存確率などのステージにまたがる累積報酬と同等の一般化性能を維持しつつ,最先端の深層強化学習手法に関連する計算複雑性を著しく低減することを示した。

関連論文リスト

• Fine-tuning -- a Transfer Learning approach [0.22344294014777952]
  電子健康記録(EHR)の欠落は、この貴重な資源に欠落するデータが豊富にあるため、しばしば妨げられる。 既存の深い計算手法は、計算処理とダウンストリーム解析の両方を組み込んだエンドツーエンドのパイプラインに依存している。 本稿では,モジュール型深層学習型計算・分類パイプラインの開発について検討する。
  論文  参考訳（メタデータ） (2024-11-06T14:18:23Z)
• DTR-Bench: An in silico Environment and Benchmark Platform for Reinforcement Learning Based Dynamic Treatment Regime [18.443316087890324]
  強化学習(Reinforcement Learning, RL)は、個人化医療における動的治療体制(DTR)を最適化する可能性の認知度を高めている。 多様な医療シナリオをシミュレートするベンチマークプラットフォームであるtextitDTR-Benchを紹介した。 我々はこれらの設定の様々な最先端のRLアルゴリズムを評価し、特に実世界の課題の中でその性能を強調した。
  論文  参考訳（メタデータ） (2024-05-28T21:40:00Z)
• Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
  我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。 提案手法は, 監視対象の性能を超過する。
  論文  参考訳（メタデータ） (2024-03-25T17:40:32Z)
• Fast Cerebral Blood Flow Analysis via Extreme Learning Machine [4.373558495838564]
  拡散相関分光法(DCS)を用いた高速かつ高精度な脳血流解析手法を提案する。 半無限層モデルと多層モデルの両方に対する合成データセットを用いて既存のアルゴリズムを評価する。 その結果、ELMは様々なノイズレベルや光学パラメータにわたって高い忠実度を連続的に達成し、堅牢な一般化能力を示し、反復整合アルゴリズムより優れることを示した。
  論文  参考訳（メタデータ） (2024-01-10T23:01:35Z)
• Auto-FedRL: Federated Hyperparameter Optimization for Multi-institutional Medical Image Segmentation [48.821062916381685]
  Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。 本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。 提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
  論文  参考訳（メタデータ） (2022-03-12T04:11:42Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• Deep Reinforcement Learning using Cyclical Learning Rates [62.19441737665902]
  勾配降下(SGD)に基づく最適化手順における最も影響力のあるパラメータの1つは、学習率である。 循環学習について検討し,様々なDRL問題に対する一般循環学習率の定義法を提案する。 本実験により, 循環学習は, 高度に調整された固定学習率よりも, 類似あるいは良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-07-31T10:06:02Z)
• Longitudinal Deep Kernel Gaussian Process Regression [16.618767289437905]
  縦型ディープカーネルプロセスレグレッション(L-DKGPR)を導入する。 L-DKGPRは、縦方向のデータから複雑な多レベル相関構造の発見を自動化する。 そこで我々は,L-DKGPRを学習するための効率的なアルゴリズムを,遅延空間誘導点と変分推論を用いて導出した。
  論文  参考訳（メタデータ） (2020-05-24T15:10:48Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)
• Distributed Training of Deep Neural Network Acoustic Models for Automatic Speech Recognition [33.032361181388886]
  ASRのためのディープニューラルネットワーク音響モデルのための分散トレーニング手法の概要について述べる。 提案手法の収束, 高速化, 認識性能を調べるために, 一般のベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2020-02-24T19:31:50Z)

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。