論文の概要: Causal DAG-Guided Reinforcement Learning for Long-Term Physical Activity Maintenance: Using Prior Data to Inform Future Deployment

• arxiv url: http://arxiv.org/abs/2610.36019v2
• Date: Mon, 02 Nov 2026 18:07:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 02:41:44.806638
• Title: Causal DAG-Guided Reinforcement Learning for Long-Term Physical Activity Maintenance: Using Prior Data to Inform Future Deployment
• Title（参考訳）: 長期身体活動維持のための因果DAG誘導強化学習-事前データを用いた今後の展開
• Abstract要約: デジタルヘルス介入は、身体活動のためのスケーラブルでパーソナライズされたサポートを提供する 日2回の行動提案をパーソナライズするADAPTファクタートライアルのためのオンライン強化学習システムを開発した。 この研究は、因果的ドメイン知識と事前トライアルデータによって、デジタルヘルス介入において、長期的、参加者固有のRLをより実用的なものにする方法を説明する。
• 参考スコア（独自算出の注目度）: 5.440467786558146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital health interventions can provide scalable, personalized support for physical activity (PA), yet sustaining PA over the long-term remains difficult. Because affective experiences with PA are important for activity sustainment, we developed an online reinforcement learning (RL) system for the forthcoming ADAPT factorial trial that personalizes twice-daily activity suggestions aimed at improving affective associations with PA. This setting poses several challenges: participant-specific data are scarce relative to the candidate state space, important states and rewards are partially observed, interventions are frequent while the primary outcome is measured weekly, and activity suggestions can both improve PA-related experiences and increase intervention burden. We address these challenges using an expert-specified causal directed acyclic graph as an integrated RL design tool, guiding state construction, estimation of partially observed states, delayed credit assignment, and representation of beneficial and adverse intervention pathways. We further construct a longitudinal simulator calibrated from a prior micro-randomized trial to compare candidate RL designs under realistic state evolution, missingness, and participant heterogeneity before deployment. Together, this work illustrates how causal domain knowledge and prior trial data can make long-horizon, participant-specific RL more practical for digital health interventions targeting sustained behavior change.
• Abstract（参考訳）: デジタルヘルス介入は、身体活動(PA)のスケーラブルでパーソナライズされたサポートを提供するが、長期にわたってPAを維持することは困難である。 PAの情緒的体験は活動継続に重要であるため,PAとの情緒的関連性の向上を目的とした2日2回の活動提案をパーソナライズするADAPTファクタートライアルのためのオンライン強化学習(RL)システムを開発した。 この設定にはいくつかの課題がある: 参加者固有のデータは、候補者の状態空間に対して不足しており、重要な状態と報酬が部分的に観察され、介入が頻繁であり、一次結果が毎週測定され、活動提案はPA関連の経験を改善し、介入負担を増加させる。 我々は、専門家が特定した因果非巡回グラフを統合RL設計ツールとして使用し、状態構築の誘導、部分的に観察された状態の推定、信用の遅延、有益なおよび有害な介入経路の表現といった課題に対処する。 さらに, 従来のマイクロランダム化試験から校正した縦型シミュレータを構築し, 現実的な状態進化, 欠落, および展開前の不均一性を考慮した候補RL設計を比較した。 この研究は、因果的ドメイン知識と先行トライアルデータによって、持続的な行動変化をターゲットとしたデジタルヘルス介入において、長期的、参加者固有のRLをより実用的なものにする方法を説明する。

関連論文リスト

• Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
  本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。 本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。 本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
  論文  参考訳（メタデータ） (2025-07-09T20:33:33Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• A Meta-Learning Method for Estimation of Causal Excursion Effects to Assess Time-Varying Moderation [0.0]
  DR-W」は、メタラーナーの観点から因果抽出効果を推定するための、柔軟で二重に頑健な推論法である。 提案する推定器の双方向特性を理論的およびシミュレーションにより比較する。 結果は、観察不足や不確実な治療ランダム化確率であっても、一貫した、より効率的な見積もりを示す。
  論文  参考訳（メタデータ） (2023-06-28T15:19:33Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  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ための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• 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)
• Benefit-aware Early Prediction of Health Outcomes on Multivariate EEG Time Series [37.15225732922409]
  この現実世界のアプリケーションに触発されたBeneFitterは、早期の予測から得られた貯蓄を注入し、誤分類から利益と呼ばれる統一されたドメイン固有ターゲットへとコストを落とします。 BeneFitterは効率的で高速で、トレーニング時間は入力シーケンス数で線形であり、意思決定のためにリアルタイムで動作することができる。
  論文  参考訳（メタデータ） (2021-11-11T02:54:36Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Deep Bayesian Estimation for Dynamic Treatment Regimes with a Long Follow-up Time [28.11470886127216]
  動的治療体制(DTR)の因果効果推定は、シーケンシャルな意思決定に寄与する。 結果回帰モデルと高次元特徴に対する治療モデルを組み合わせる。 また、開発されたディープベイズモデルでは、不確実性をモデル化し、自動運転車や医療設計など、安全に配慮したアプリケーションに不可欠な予測分散を出力することができる。
  論文  参考訳（メタデータ） (2021-09-20T13:21:39Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)

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。