論文の概要: Adaptive Interventions with User-Defined Goals for Health Behavior Change

• arxiv url: http://arxiv.org/abs/2311.09483v1
• Date: Thu, 16 Nov 2023 01:00:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-17 17:02:20.856561
• Title: Adaptive Interventions with User-Defined Goals for Health Behavior Change
• Title（参考訳）: 健康行動変化のためのユーザ定義ゴールによる適応的介入
• Authors: Aishwarya Mandyam, Matthew Joerke, Barbara E. Engelhardt, Emma Brunskill
• Abstract要約: ゴールセット(Goal-setting)は、モバイルヘルス介入のための適応アルゴリズムでは使われていない健康コーチングの重要な要素である。 本稿では、パーソナライズされた報酬関数を最適化することにより、個人化された目標設定に重点を置くトンプソンサンプリングアルゴリズムの修正を提案する。
• 参考スコア（独自算出の注目度）: 19.51636647538397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physical inactivity remains a major public health concern, having associations with adverse health outcomes such as cardiovascular disease and type-2 diabetes. Mobile health applications present a promising avenue for low-cost, scalable physical activity promotion, yet often suffer from small effect sizes and low adherence rates, particularly in comparison to human coaching. Goal-setting is a critical component of health coaching that has been underutilized in adaptive algorithms for mobile health interventions. This paper introduces a modification to the Thompson sampling algorithm that places emphasis on individualized goal-setting by optimizing personalized reward functions. As a step towards supporting goal-setting, this paper offers a balanced approach that can leverage shared structure while optimizing individual preferences and goals. We prove that our modification incurs only a constant penalty on the cumulative regret while preserving the sample complexity benefits of data sharing. In a physical activity simulator, we demonstrate that our algorithm achieves substantial improvements in cumulative regret compared to baselines that do not share data or do not optimize for individualized rewards.
• Abstract（参考訳）: 身体的不活性は、心血管疾患や2型糖尿病などの健康上の有害な結果と結びついている。 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身体活動促進のための有望な道を示すが、小さな効果の大きさと低い定着率に悩まされることが多い。 ゴールセット(Goal-setting)は、モバイルヘルス介入のための適応アルゴリズムでは使われていない健康コーチングの重要な要素である。 本稿では,パーソナライズされた報酬関数を最適化することにより,個別化目標設定を重視したトンプソンサンプリングアルゴリズムの改良を提案する。 目標設定を支援するためのステップとして,個人の好みや目標を最適化しながら,共有構造を活用するためのバランスのとれたアプローチを提案する。 我々の修正は、データ共有の複雑さの利点を保ちながら、累積的後悔に対して一定のペナルティしか生じないことを示す。 身体活動シミュレータでは,データの共有や個別報酬の最適化を行わないベースラインに比べて,累積的後悔の大幅な改善が達成されている。

関連論文リスト

• 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)
• Generating Synthetic Health Sensor Data for Privacy-Preserving Wearable Stress Detection [1.3604778572442302]
  ストレスの瞬間に関連するマルチセンサ型スマートウォッチのヘルスリーダーのプライバシ・アウェア・シンセサイザー化について紹介する。 本手法は患者情報を保護するだけでなく,データ利用率の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-01-24T09:44:57Z)
• 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)
• 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)
• Data-pooling Reinforcement Learning for Personalized Healthcare Intervention [20.436521180168455]
  我々は、一般的な摂動値反復フレームワークに基づく新しいデータプール強化学習(RL)アルゴリズムを開発した。 提案アルゴリズムは,従来の手法では推定精度とは対照的に,(後悔によって測定された)決定性能と直接結びつくことの重み付けという,3つの主要な革新とともに,履歴データを適応的にプールする。 提案手法の理論的発展を実証的に優れた性能で実証し,未計画の読解を防止するために,解凍後介入の文脈におけるケーススタディにより検証した。
  論文  参考訳（メタデータ） (2022-11-16T15:52:49Z)
• Adaptive Identification of Populations with Treatment Benefit in Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
  確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。 サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:27:49Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
  動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。 本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-06T13:03:42Z)
• 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)
• Rapidly Personalizing Mobile Health Treatment Policies with Limited Data [9.07325490998379]
  我々は、他のユーザのデータを適応的かつ原則的に利用することで、パーソナライズされたポリシーを学ぶIntelligentPoolingを提案する。 我々は、IntelligentPoolingが、すべての生成モデルで最先端よりも平均26%低い後悔を達成していることを示す。
  論文  参考訳（メタデータ） (2020-02-23T18:59:46Z)

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。