論文の概要: MiWaves Reinforcement Learning Algorithm

• arxiv url: http://arxiv.org/abs/2408.15076v1
• Date: Tue, 27 Aug 2024 14:04:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-28 13:33:40.775816
• Title: MiWaves Reinforcement Learning Algorithm
• Title（参考訳）: MiWaves強化学習アルゴリズム
• Authors: Susobhan Ghosh, Yongyi Guo, Pei-Yao Hung, Lara Coughlin, Erin Bonar, Inbal Nahum-Shani, Maureen Walton, Susan Murphy,
• Abstract要約: 米国では、大麻の使用は他のどの年齢層よりも新興の成人(EA)(18-25歳)に多い。 我々は、パーソナライズされた介入プロンプトの配信を最適化する強化学習(RL)アルゴリズムであるMiWavesを開発した。 最終的なMiWaves RLアルゴリズムは2024年3月から5月にかけて臨床試験で展開された。
• 参考スコア（独自算出の注目度）: 3.1092549626366828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The escalating prevalence of cannabis use poses a significant public health challenge globally. In the U.S., cannabis use is more prevalent among emerging adults (EAs) (ages 18-25) than any other age group, with legalization in the multiple states contributing to a public perception that cannabis is less risky than in prior decades. To address this growing concern, we developed MiWaves, a reinforcement learning (RL) algorithm designed to optimize the delivery of personalized intervention prompts to reduce cannabis use among EAs. MiWaves leverages domain expertise and prior data to tailor the likelihood of delivery of intervention messages. This paper presents a comprehensive overview of the algorithm's design, including key decisions and experimental outcomes. The finalized MiWaves RL algorithm was deployed in a clinical trial from March to May 2024.
• Abstract（参考訳）: 大麻使用の増加は、世界中で公衆衛生上の大きな課題となっている。 アメリカ合衆国では、大麻の使用は他のどの年齢層よりも新興成人(EA)(年齢18〜25歳)の方が一般的であり、複数の州における合法化は、大麻の使用が以前の数十年よりもリスクが少ないという一般の認識に寄与している。 このような懸念に対処するため、私たちは、EAにおける大麻使用を減らすために、パーソナライズされた介入プロンプトの配信を最適化するために設計された強化学習(RL)アルゴリズムであるMiWavesを開発した。 MiWavesはドメインの専門知識と事前データを活用して、介入メッセージの配信の可能性を調整します。 本稿では,鍵決定と実験結果を含むアルゴリズム設計の概要を概観する。 最終的なMiWaves RLアルゴリズムは2024年3月から5月にかけて臨床試験で展開された。

関連論文リスト

• Privacy Preserving Reinforcement Learning for Population Processes [5.409704301731714]
  本稿では,人口プロセス上で動作する強化学習(RL)アルゴリズムにおけるプライバシ保護の問題について考察する。 個人のデータは複数のインタラクションにまたがって収集することができ、そのプライバシは常に保護されなければならない。 我々は,集団プロセスにおける個人的RLアルゴリズムに対して,適切なプライバシ・ユーティリティのトレードオフが可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-25T15:41:26Z)
• Efficient Public Health Intervention Planning Using Decomposition-Based Decision-Focused Learning [33.14258196945301]
  介入計画の高速化のために、レスレスマルチアーマッドバンド(RMAB)の構造を利用する方法を示す。 私たちはインドのNGOであるARMMANの実際のデータを使って、我々のアプローチが最先端のアプローチよりも最大2桁高速であることを示す。
  論文  参考訳（メタデータ） (2024-03-08T21:31:00Z)
• reBandit: Random Effects based Online RL algorithm for Reducing Cannabis Use [3.1092549626366828]
  大麻の使用と関連する大麻使用障害(CUD)は、世界中の公衆衛生上の問題を引き起こす。 我々はreBanditと呼ばれるオンライン強化学習(RL)アルゴリズムを開発し、パーソナライズされたモバイルヘルス介入を提供する。
  論文  参考訳（メタデータ） (2024-02-27T18:18:23Z)
• Protect Your Score: Contact Tracing With Differential Privacy Guarantees [68.53998103087508]
  プライバシーに関する懸念は、現在展開を控えている、と私たちは主張する。 本稿では,この攻撃に対して異なるプライバシー保証を有する接触追跡アルゴリズムを提案する。 特に現実的な検査シナリオでは,ウイルス感染率の2倍から10倍の低下を実現している。
  論文  参考訳（メタデータ） (2023-12-18T11:16:33Z)
• 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)
• ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug Discovery [79.08833067391093]
  現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。 ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。 ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
  論文  参考訳（メタデータ） (2022-09-16T13:35:57Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• A Crowdsourced Contact Tracing Model to Detect COVID-19 Patients using Smartphones [0.0]
  このモデルは、モバイルクラウドソーシングを使用したロケーションベースの新型コロナウイルス患者識別のために定式化されている。 脆弱性のある地域の他のユーザーには、安全のため6フィートまたは1.8メートルの距離に留まるよう通知する。
  論文  参考訳（メタデータ） (2021-11-17T19:56:24Z)
• Forecasting of COVID-19 Cases, Using an Evolutionary Neural Architecture Search Approach [0.76146285961466]
  2019年後半には、重症呼吸器疾患である新型コロナウイルス(COVID-19)が出現し、それ以来、世界はパンデミックの危機に直面している。 本稿では、拡張機能を備えた新しいデータセットを導入し、新しいアプローチで新型コロナウイルスの患者を予測する。 アプローチの有効性を示すため、イランの毎日の事例について比較研究を行った。
  論文  参考訳（メタデータ） (2021-09-15T05:12:50Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• A random shuffle method to expand a narrow dataset and overcome the associated challenges in a clinical study: a heart failure cohort example [50.591267188664666]
  本研究の目的は、統計的に合法なHFデータセットのカーディナリティを高めるためにランダムシャッフル法を設計することであった。 提案されたランダムシャッフル法は、HFデータセットのカーディナリティを10回、およびランダムな繰り返し測定アプローチに続いて21回向上させることができた。
  論文  参考訳（メタデータ） (2020-12-12T10:59:38Z)

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。