論文の概要: Adaptive Interventions with User-Defined Goals for Health Behavior
Change
- arxiv url: http://arxiv.org/abs/2311.09483v2
- Date: Tue, 20 Feb 2024 22:50:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-22 19:52:38.551649
- 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 J\"orke, 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): 21.62566336428951
- 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
- Deep Reinforcement Learning for Efficient and Fair Allocation of Health
Care Resources [49.956569971833105]
医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。
医療資源割り当てプロトコルの普遍的な標準は存在しない。
本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
論文 参考訳(メタデータ) (2023-09-15T17:28:06Z) - An Adaptive Optimization Approach to Personalized Financial Incentives
in Mobile Behavioral Weight Loss Interventions [0.0]
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。
論文 参考訳(メタデータ) (2023-07-01T23:59:23Z) - Learnable Weight Initialization for Volumetric Medical Image
Segmentation [54.1807206010136]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-06-15T17:55:05Z) - Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning
Approach to Critical Care [68.8204255655161]
我々は、より信頼性の高いクリティカルケアポリシーを得ることができる深いQ-ラーニングアプローチを導入する。
まず、利用可能なすべての報酬に基づいてアクションセットを抽出し、次に、スパース主報酬に基づいて最終モデルを訓練し、制限されたアクションセットで達成する。
論文 参考訳(メタデータ) (2023-06-13T18:02:57Z) - Policy Optimization for Personalized Interventions in Behavioral Health [8.69967783513041]
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。
この問題に対する新たなアプローチとして,政策イテレーションの一段階を近似したDecompPIを提案する。
論文 参考訳(メタデータ) (2023-03-21T21:42:03Z) - Private Adaptive Optimization with Side Information [48.91141546624768]
AdaDPSは、非感度側情報を用いて勾配を前提とした一般的なフレームワークである。
AdaDPSは、同様のプライバシー保証を達成するのに必要なノイズを減らす。
以上の結果から,AdaDPSの精度は平均7.7%向上した。
論文 参考訳(メタデータ) (2022-02-12T03:02:06Z) - Resource Planning for Hospitals Under Special Consideration of the
COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。
BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。
BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
論文 参考訳(メタデータ) (2021-05-16T12:38:35Z) - Fast Physical Activity Suggestions: Efficient Hyperparameter Learning in
Mobile Health [1.9788007735185449]
我々は,mhealth設定で身体活動を提案するアルゴリズムを提案する。
我々は、それぞれ99%と56%の速度と精度の両方で、最先端のアプローチよりも改善を示しています。
論文 参考訳(メタデータ) (2020-12-21T19:17:31Z) - 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) - Streamlined Empirical Bayes Fitting of Linear Mixed Models in Mobile
Health [3.8974425658660596]
身体活動を増加させるために設計されたモバイルヘルス(mHealth)アプリケーションは、ユーザのモチベーションを高めるためにコンテキスト的に関連性のある提案をする必要がある。
そこで本稿では,ユーザに対して,コンテキスト化された,パーソナライズされた身体活動提案を提供するアルゴリズムを提案する。
技術アプローチの精度は, それぞれ99%, 56%に向上した。
論文 参考訳(メタデータ) (2020-03-28T19:57:55Z)
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。