論文の概要: Using Causal Inference to Explore Government Policy Impact on Computer Usage

• arxiv url: http://arxiv.org/abs/2503.09957v1
• Date: Thu, 13 Mar 2025 01:59:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:53:43.571103
• Title: Using Causal Inference to Explore Government Policy Impact on Computer Usage
• Title（参考訳）: 因果推論を用いた政府政策のコンピュータ利用への影響調査
• Authors: Mingjia Zhu, Lechuan Wang, Julien Sebot, Bijan Arbab, Babak Salimi, Alexander Cloninger,
• Abstract要約: 新型コロナウイルス(COVID-19)のロックダウンポリシーが日々のコンピュータ利用にどのように影響するかを検討する。 コンピュータ利用の強度(ワット)と時間(時間)の増加とホームポリシーによる作業の実施との間にある因果関係を同定する。 我々は、新型コロナウイルスのロックダウンポリシーの減少の間にコンピュータの使用行動が、新型コロナウイルスのロックダウンポリシーの増加の間よりもはるかに予測しにくいと結論付けた。
• 参考スコア（独自算出の注目度）: 45.399610591449054
• License:
• Abstract: We explore the causal relationship between COVID-19 lockdown policies and changes in personal computer usage. In particular, we examine how lockdown policies affected average daily computer usage, as well as how it affected usage patterns of different groups of users. This is done through a merging of the Oxford Policy public data set, which describes the timeline of implementation of COVID policies across the world, and a collection of Intel's Data Collection and Analytics (DCA) telemetry data, which includes millions of computer usage records and updates daily. Through difference-in-difference, synthetic control, and change-point detection algorithms, we identify causal links between the increase in intensity (watts) and time (hours) of computer usage and the implementation of work from home policy. We also show an interesting trend in the individual's computer usage affected by the policy. We also conclude that computer usage behaviors are much less predictable during reduction in COVID lockdown policies than during increases in COVID lockdown policies.
• Abstract（参考訳）: 新型コロナウイルスのロックダウンポリシーとパソコン利用の変化の因果関係について検討する。 特に、ロックダウンポリシーが日々のコンピュータ利用にどのように影響するか、また、異なるグループのユーザーの利用パターンにどのように影響するかを検討する。 これは、世界中の新型コロナウイルスポリシーの実装スケジュールを記述したオックスフォード政策公開データセットと、数百万のコンピュータ使用記録と毎日のアップデートを含むIntelのデータコレクションと分析(DCA)テレメトリデータを統合することで実現されている。 差分差分, 合成制御, 変化点検出アルゴリズムを用いて, コンピュータ利用の強度(ワット)の増加と時間(時間)の因果関係と, ホームポリシーによる作業の実施を同定する。 また、この政策の影響を受け、個人のコンピュータ利用の興味深い傾向を示す。 また、新型コロナウイルスのロックダウンポリシーの減少の間にコンピュータの使用行動が、新型コロナウイルスのロックダウンポリシーの増加時によりもはるかに予測しにくいと結論づけた。

関連論文リスト

• Divergence-Augmented Policy Optimization [12.980566919112034]
  本稿では,非政治データの再利用時にポリシー最適化を安定化させる手法を提案する。 その考え方は、データを生成する行動ポリシーと現在のポリシーをBregmanに分けて、非政治データによる小規模で安全なポリシー更新を保証する、というものだ。 Atariゲームにおける実証実験により,非政治データの再利用が必要なデータ共有シナリオにおいて,本手法は他の最先端の深層強化学習アルゴリズムよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-01-25T02:35:46Z)
• Policy Regularization with Dataset Constraint for Offline Reinforcement Learning [27.868687398300658]
  オフライン強化学習(Local Reinforcement Learning, RL)と呼ばれる,固定データセットから最善のポリシーを学習する問題を考察する。 本稿では、最も近い状態-作用対に対するポリシーの規則化がより効果的であることを発見し、データセット制約(PRDC)によるポリシーの規則化を提案する。 PRDCは、データセットから適切な振る舞いでポリシーをガイドし、与えられた状態に沿ってデータセットに現れないアクションを選択することができる。
  論文  参考訳（メタデータ） (2023-06-11T03:02:10Z)
• Efficient Policy Evaluation with Offline Data Informed Behavior Policy Design [18.326126953667842]
  オンラインモンテカルロ推定器のデータ効率を向上させる新しい手法を提案する。 まず,オンラインモンテカルロ推定器のばらつきを確実に低減する閉形式行動ポリシーを提案する。 次に、以前に収集したオフラインデータから、このクローズドフォームの動作ポリシーを学習するための効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-01-31T16:12:31Z)
• Distributed-Training-and-Execution Multi-Agent Reinforcement Learning for Power Control in HetNet [48.96004919910818]
  We propose a multi-agent Deep reinforcement learning (MADRL) based power control scheme for the HetNet。 エージェント間の協調を促進するために,MADRLシステムのためのペナルティベースQラーニング(PQL)アルゴリズムを開発した。 このように、エージェントのポリシーは、他のエージェントによってより容易に学習でき、より効率的なコラボレーションプロセスをもたらす。
  論文  参考訳（メタデータ） (2022-12-15T17:01:56Z)
• Offline Reinforcement Learning with Soft Behavior Regularization [0.8937096931077437]
  本研究では,オフライン設定で使用可能な新しいポリシー学習目標を導出する。 以前のアプローチで使用されていた状態非依存の正規化とは異なり、このテキストソフト正規化はポリシー逸脱のより自由な自由を可能にする。 実験結果から,SBACは連続的な制御ロコモーションと操作タスクのセットにおいて,最先端技術に適合または優れることが示された。
  論文  参考訳（メタデータ） (2021-10-14T14:29:44Z)
• Building a Foundation for Data-Driven, Interpretable, and Robust Policy Design using the AI Economist [67.08543240320756]
  AIエコノミストフレームワークは,2段階強化学習とデータ駆動型シミュレーションを用いて,効果的な,柔軟な,解釈可能なポリシー設計を可能にする。 RLを用いて訓練されたログリニア政策は、過去の結果と比較して、公衆衛生と経済の両面から社会福祉を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2021-08-06T01:30:41Z)
• Assessing the Causal Impact of COVID-19 Related Policies on Outbreak Dynamics: A Case Study in the US [19.901831180866132]
  新型コロナウイルスの感染拡大抑制における非医薬品政策の因果的影響の分析は、今後の政策決定にとって重要である。 ここでの課題は、保存されていない共同設立者の存在(例えば、住民の警戒)である。 本稿では,異なる郡における新型コロナウイルス関連政策の流行動態に対する因果的影響を評価することの問題点について検討する。
  論文  参考訳（メタデータ） (2021-05-29T00:40:24Z)
• Policy Information Capacity: Information-Theoretic Measure for Task Complexity in Deep Reinforcement Learning [83.66080019570461]
  課題の難易度について,環境にとらわれない,アルゴリズムにとらわれない2つの定量的指標を提案する。 これらの指標は、様々な代替案よりも、正規化タスク可解性スコアとの相関が高いことを示す。 これらのメトリクスは、鍵設計パラメータの高速かつ計算効率の良い最適化にも使用できる。
  論文  参考訳（メタデータ） (2021-03-23T17:49:50Z)
• Privacy-Constrained Policies via Mutual Information Regularized Policy Gradients [54.98496284653234]
  報酬を最大化しつつ、行動を通じて特定の機密状態変数の開示を最小限に抑えながら、報酬を最大化する政策を訓練する課題を考察する。 本稿では, 感性状態と行動の相互情報に基づく正則化器を導入することで, この問題を解決する。 プライバシ制約のあるポリシーを最適化するためのモデルベース推定器を開発した。
  論文  参考訳（メタデータ） (2020-12-30T03:22:35Z)
• Off-policy Learning for Remote Electrical Tilt Optimization [68.8204255655161]
  本稿では,オフポリティクス型マルチアーマッド・バンディット(CMAB)技術を用いた遠隔電気ティルト(RET)最適化の課題に対処する。 データから最適な傾き更新ポリシーを抽出するためのCMAB学習アルゴリズムを提案する。 当社のポリシでは,データ収集に使用されるルールベースのロギングポリシに対して,一貫した改善が示されています。
  論文  参考訳（メタデータ） (2020-05-21T11:30:31Z)

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。