論文の概要: Generative Frontier Planning for Adaptive Peer-Referral Recruitment under Covariate-Dependent Arrivals
- arxiv url: http://arxiv.org/abs/2606.08360v1
- Date: Sat, 06 Jun 2026 22:31:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:06.05702
- Title: Generative Frontier Planning for Adaptive Peer-Referral Recruitment under Covariate-Dependent Arrivals
- Title（参考訳）: Covariate-Dependent Arrivals による適応的ピアリファレンシャルリクルートのためのジェネレーティブフロンティア計画
- Authors: Lingkai Kong, Hezi Jiang, Andrew Ma, Keyu Wang, Akseli Kangaslahti, Milind Tambe,
- Abstract要約: ピア・リフレラル・リクルートシステムは、感染症に罹患する隠れた集団の研究と介入に不可欠である。
ステップごとのモンテカルロサンプリングを決定論的バックアップに置き換えるモデルベースプランナーであるemphGenerative Frontier Planning (GFP)を提案する。
GFPはランダム、強化学習、すなわち動的プログラミングのベースラインを4つの割引因子で上回る。
- 参考スコア（独自算出の注目度）: 28.082278231005997
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Peer-referral recruitment systems such as respondent-driven sampling are critical for studying and intervening on hidden populations affected by infectious diseases. To accelerate recruitment, public health agencies must adaptively allocate limited referral resources across multiple rounds, where current decisions shape both the number and the covariates of future recruits. Prior work makes this problem tractable by assuming that referrals are drawn i.i.d.\ from a homogeneous population, an assumption that ignores the homophily and shared context that drive real peer recruitment. We instead consider a more realistic model in which both referral capacity and the covariates of newly referred individuals are conditioned on the referrer, learned from data with a censored count model and a conditional generative model. The resulting planning problem is challenging because each candidate allocation induces a different distribution over future recruits. We propose \emph{Generative Frontier Planning} (GFP), a model-based planner that replaces per-step Monte-Carlo sampling with a deterministic backup over a latent covariate-coverage value surrogate. The surrogate is designed so that the expected value of the next frontier depends on the offspring generative model only through finite-dimensional summaries that are amortized offline, and so that the resulting per-round objective is monotone with diminishing returns. Together, these two properties make planning tractable: the deterministic backup eliminates Monte-Carlo sampling, and the diminishing-returns structure lets a marginal greedy allocation achieve a \((1-1/e)\)-approximation for the per-round problem. On a simulation environment calibrated to a real respondent-driven sampling dataset, GFP outperforms random, reinforcement-learning, and i.i.d.\ dynamic-programming baselines across four discount factors.
- Abstract（参考訳）: 反応誘導サンプリングのようなピア・リフレラルな採用システムは、感染症による隠れた集団の研究と介入に不可欠である。
採用を加速させるためには、公共衛生機関は複数のラウンドにまたがる限られた参照資源を適応的に割り当てなければならない。
先行研究は、同種集団から参照が引き出されると仮定することでこの問題を解決し、これは真のピア採用を促進するホモフィリーで共有された文脈を無視する仮定である。
より現実的なモデルとして、新たに紹介された個人の参照能力と共変量の両方が、検閲されたカウントモデルと条件付き生成モデルを用いて学習されたレファラー上で条件付けられていると考える。
結果として生じる計画上の問題は、各候補の割り当てが将来の採用者に対して異なる分布を誘導するからである。
本稿では,モンテカルロサンプリングの段階別サンプリングを,潜伏した共変量被覆値サロゲート上の決定論的バックアップに置き換えるモデルベースプランナである \emph{Generative Frontier Planning} (GFP) を提案する。
シュロゲートは、次のフロンティアの期待値が、オフライン化された有限次元のサマリーを通してのみ子孫生成モデルに依存するように設計されており、結果として得られるラウンドごとの目的は、リターンが減少するモノトーンである。
決定論的バックアップはモンテカルロサンプリングを排除し、減少するリターン構造は、辺のグリーディ割当を丸ごと問題に対する \((1-1/e)\ 近似を達成する。
実応答駆動サンプリングデータセットに校正されたシミュレーション環境では、GFPはランダム、強化学習、すなわち4つの割引因子の動的プログラミングベースラインよりも優れる。
関連論文リスト
- Adaptive Multi-Round Allocation with Stochastic Arrivals [26.102812388131813]
本稿では,適応型ネットワークの採用を動機とした逐次的資源配分問題について検討する。
まず, 単一ラウンド割当問題において, 生存確率の限界に基づく厳密な解が認められていることを示す。
多重ラウンド設定では、結果として生じるベルマン再帰はフロンティアの高次元進化のために引き起こされる。
論文 参考訳（メタデータ） (2026-05-12T13:29:06Z) - Who Trains Matters: Federated Learning under Enrollment and Participation Selection Biases [0.16921396880325776]
フェデレーション学習は、分散クライアントが提供するアップデートから共有モデルをトレーニングする。
実際には、この代表性仮定は2つの異なる段階で失敗し、選択バイアスを引き起こす。
FLを2段階選択モデルで定式化し,逆確率重み付け方式であるtextscFedIPW を導出する。
論文 参考訳（メタデータ） (2026-04-29T12:33:08Z) - Fair regression under localized demographic parity constraints [9.082079838093371]
F f |S=s (z m ) = $ell$m という形の CDF 制約をグループ的に課する,新規な (ell$, Z)-fair predictor を導入する。
合成データセットと実データセットの実験では、解釈可能なフェアネス精度のトレードオフが示され、決定関連量子またはしきい値に対するターゲット修正が可能である。
論文 参考訳（メタデータ） (2026-03-26T09:21:05Z) - Stochastic Linear Bandits with Latent Heterogeneity [8.981251210938787]
本稿では、この未観測不均一性を顧客応答で明示的にモデル化する、新しい遅延不均一バンディットフレームワークを提案する。
本手法では,グループメンバシップとグループ固有報酬関数を同時に学習する革新的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-02-01T13:02:21Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳（メタデータ） (2023-11-02T16:45:25Z) - Delta-AI: Local objectives for amortized inference in sparse graphical models [64.5938437823851]
スパース確率的グラフィカルモデル(PGM)における補正推論のための新しいアルゴリズムを提案する。
提案手法は, PGMにおける変数のサンプリングをエージェントが行う一連の行動とみなす場合, エージェントのポリシー学習目的において, PGMの疎結合が局所的な信用割当を可能にするという観察に基づいている。
合成PGMからサンプリングし、スパース因子構造を持つ潜在変数モデルを訓練するための$Delta$-AIの有効性について説明する。
論文 参考訳（メタデータ） (2023-10-03T20:37:03Z) - Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。
グループDROフレームワークをQ-Diversityを提案して再構築する。
インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
論文 参考訳（メタデータ） (2023-05-20T07:02:27Z) - BRIO: Bringing Order to Abstractive Summarization [107.97378285293507]
非決定論的分布を前提とした新しい学習パラダイムを提案する。
提案手法は, CNN/DailyMail (47.78 ROUGE-1) と XSum (49.07 ROUGE-1) のデータセット上で, 最新の結果が得られる。
論文 参考訳（メタデータ） (2022-03-31T05:19:38Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z)
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。