論文の概要: An Adaptive Optimization Approach to Personalized Financial Incentives
in Mobile Behavioral Weight Loss Interventions
- arxiv url: http://arxiv.org/abs/2307.00444v2
- Date: Fri, 14 Jul 2023 18:25:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 19:54:48.647263
- Title: An Adaptive Optimization Approach to Personalized Financial Incentives
in Mobile Behavioral Weight Loss Interventions
- Title（参考訳）: 移動行動量損失介入における個人化金融インセンティブへの適応的最適化手法
- Authors: Qiaomei Li, Kara L. Gavin, Corrine I. Voils, Yonatan Mintz
- Abstract要約: 私たちは、個人が異なるインセンティブスケジュールに対してどのように反応するかを予測することができる機械学習アプローチを作成します。
我々は、この予測モデルを適応的なフレームワークで、参加者に支払うインセンティブを計算し、研究予算内に留まる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Obesity is a critical healthcare issue affecting the United States. The least
risky treatments available for obesity are behavioral interventions meant to
promote diet and exercise. Often these interventions contain a mobile component
that allows interventionists to collect participants level data and provide
participants with incentives and goals to promote long term behavioral change.
Recently, there has been interest in using direct financial incentives to
promote behavior change. However, adherence is challenging in these
interventions, as each participant will react differently to different
incentive structure and amounts, leading researchers to consider personalized
interventions. The key challenge for personalization, is that the clinicians do
not know a priori how best to administer incentives to participants, and given
finite intervention budgets how to disburse costly resources efficiently. In
this paper, we consider this challenge of designing personalized weight loss
interventions that use direct financial incentives to motivate weight loss
while remaining within a budget. We create a machine learning approach that is
able to predict how individuals may react to different incentive schedules
within the context of a behavioral intervention. We use this predictive model
in an adaptive framework that over the course of the intervention computes what
incentives to disburse to participants and remain within the study budget. We
provide both theoretical guarantees for our modeling and optimization
approaches as well as demonstrate their performance in a simulated weight loss
study. Our results highlight the cost efficiency and effectiveness of our
personalized intervention design for weight loss.
- Abstract（参考訳）: 肥満は米国に影響を及ぼす重要な医療問題である。
肥満に対する最もリスクの少ない治療は、食事や運動を促進する行動介入である。
これらの介入は、しばしば、介入者が参加者のレベルデータを収集し、参加者に長期的な行動変化を促進するインセンティブと目標を与えるモバイルコンポーネントを含む。
近年,行動変化を促進するために直接金融インセンティブの利用が注目されている。
しかし、各参加者は異なるインセンティブ構造や量に異なる反応をし、研究者はパーソナライズされた介入を検討する。
パーソナライゼーションの鍵となる課題は、臨床医が参加者にインセンティブを施す最善の方法を事前に知らないこと、費用のかかるリソースを効率的に払い出すための有限の介入予算を与えることである。
本稿では,予算内に留まらず,直接的な金銭的インセンティブを用いて体重減少を動機づける,パーソナライズされた減量介入をデザインする課題について考察する。
私たちは、行動介入のコンテキスト内で、個人が異なるインセンティブスケジュールにどう反応するかを予測する機械学習アプローチを作成します。
この予測モデルを適応型フレームワークで使用し、介入の過程で参加者に支払いを行い、研究予算内に留まるインセンティブを計算します。
モデル化と最適化のアプローチに関する理論的保証と,その性能をシミュレーションによる減量実験で実証する。
以上の結果から,重量減少に対するパーソナライズした介入設計のコスト効率と有効性が浮き彫りになった。
関連論文リスト
- Improving Fast Adversarial Training Paradigm: An Example Taxonomy Perspective [61.38753850236804]
高速対人訓練 (FAT) は, 効率的な訓練を行うために提案され, 熱い研究課題となっている。
FATは破滅的なオーバーフィッティングに悩まされ、多段階の逆行訓練と比較してパフォーマンスが低下する。
本稿では, FATにおける内的最適化と外的最適化のバランスが不均衡であることから, 破滅的なオーバーフィッティングが原因であることが確認された FAT の分類例を示す。
論文 参考訳（メタデータ） (2024-07-22T03:56:27Z) - Improving Engagement and Efficacy of mHealth Micro-Interventions for Stress Coping: an In-The-Wild Study [4.704094564944504]
パーソナライズされたコンテキスト認識介入選択アルゴリズムは、mHealth介入のエンゲージメントと有効性を改善する。
短時間でも1分間の介入は、知覚されるストレスレベルを著しく減少させる。
本研究は,個人化された文脈認識介入選択アルゴリズムを導入することで文献に寄与する。
論文 参考訳（メタデータ） (2024-07-16T11:22:22Z) - Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
実際には、因果研究者は先験を念頭において1つの結果を持っていない。
政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。
本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
論文 参考訳（メタデータ） (2024-04-29T08:16:30Z) - Adaptive Interventions with User-Defined Goals for Health Behavior Change [17.688448640253494]
モバイルヘルスアプリケーションは、低コストでスケーラブルなヘルス行動変化促進のための有望な道を示す。
個人固有の目標、好み、生活状況に対するアドバイスを調整することは、健康コーチングの重要な要素である。
パーソナライズされた報酬関数に対応する新しいトンプソンサンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-11-16T01:00:04Z) - Designing and evaluating an online reinforcement learning agent for
physical exercise recommendations in N-of-1 trials [0.9865722130817715]
オンライン強化学習エージェントによるパーソナライズされた介入の実装が実現可能か,有効かを検証した,革新的なN-of-1トライアルデザインを提案する。
その結果、まず、オンライン強化学習エージェントによるパーソナライズされた介入を実装することは可能であった。
第二に、このような適応的介入は、わずかな観察しか得られなくても、患者の利益を改善する可能性がある。
論文 参考訳（メタデータ） (2023-09-25T14:08:21Z) - Zero-shot causal learning [64.9368337542558]
CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。
トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
論文 参考訳（メタデータ） (2023-01-28T20:14:11Z) - Actionable Recourse via GANs for Mobile Health [0.0]
カウンターファクトによるリコースは、ユーザ予測を修正するための具体的なメカニズムを提供する。
セーフ・デリバリー・アプリにおける中長期エンゲージメント予測のアンサンブル・サバイバル分析に基づくモバイル・ヘルス・アプリケーションにおけるGAN生成リコースの実現可能性を示す。
論文 参考訳（メタデータ） (2022-11-12T00:25:43Z) - Outcome-Driven Reinforcement Learning via Variational Inference [95.82770132618862]
我々は、報酬を最大化する問題ではなく、望ましい結果を達成するための行動を推測する問題として、強化学習に関する新たな視点について論じる。
結果として得られる結果指向推論の問題を解決するため, 定型的報酬関数を導出する新しい変分推論定式を制定する。
我々は,この手法が報酬機能の設計を不要とし,効果的なゴール指向行動へと導くことを実証的に示す。
論文 参考訳（メタデータ） (2021-04-20T18:16:21Z) - Improving healthcare access management by predicting patient no-show
behaviour [0.0]
本研究は,参加を促す戦略の実装を支援するため,DSS(Decision Support System)を開発する。
回帰モデルの精度を向上させるために,異なる機械学習手法の有効性を評価する。
過去の研究で報告された関係の定量化に加えて、収入と近隣の犯罪統計はノーショー確率に影響を与えることが判明した。
論文 参考訳（メタデータ） (2020-12-10T14:57:25Z) - Power Constrained Bandits [46.44025793243983]
既存のアルゴリズムを改良する汎用メタアルゴリズムを開発した。
我々のメタアルゴリズムは、統計的研究に現れる可能性のある様々なモデルの誤特定に対して堅牢である。
論文 参考訳（メタデータ） (2020-04-13T23:08:52Z) - Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。
具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。
蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
論文 参考訳（メタデータ） (2020-03-06T06:28:17Z)
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。