一种基于聚类的强化学习方法用于电子健康干预的定制化个性化
人工智能
2020-05-22 v3
摘要
个性化在提升健康干预有效性方面非常有效。强化学习（RL）算法适合从收集到的关于个体的序列数据中学习这些定制化干预。然而，学习可能非常脆弱。学习干预策略的时间有限，因为用户可能迅速脱离。此外，在电子健康干预中，时机可能在最优窗口过去之前就至关重要。我们提出一种通过结合RL与聚类为成组用户学习定制化个性化策略的方法。其益处有两方面：加速学习以防止脱离，同时保持高水平的个性化。我们的聚类方法利用动态时间规整来比较由状态和奖励组成的用户轨迹。我们应用在线与批量RL在个体聚类上学习策略，并引入我们自行开发且公开可用的电子健康干预模拟器来评估我们的方法。我们将方法与一个电子健康干预基准进行比较。我们证明批量学习在我们的设定下优于在线学习。此外，我们提出的RL聚类方法找到了近最优聚类，相较于为每个个体学习策略或在所有个体上学习一个非个性化策略，其带来了显著更好的累积奖励策略。我们的发现还表明，学习到的策略准确地学会了在正确时刻发送干预，并且用户锻炼更多且在一天中正确的时间。
引用
@article{arxiv.1804.03592,
title = {A clustering-based reinforcement learning approach for tailored personalization of e-Health interventions},
author = {Ali el Hassouni and Mark Hoogendoorn and Martijn van Otterlo and A. E. Eiben and Vesa Muhonen and Eduardo Barbaro},
journal= {arXiv preprint arXiv:1804.03592},
year = {2020}
}