一种用于 COVID-19 等传染病序贯检测的 partially observable MDP 方法
机器学习
2020-07-28 v1 最优化与控制
机器学习
摘要
新型冠状病毒（COVID-19）的爆发正作为一场重大国际危机展开，其影响延伸至我们日常生活的方方面面。有效的检测使感染者得以隔离，从而减少 COVID-19 的传播、挽救无数生命，并有助于安全稳妥地重启经济。接触者追踪可为医疗提供者提供感染者行踪信息以确定应检测对象，从而极大辅助制定良好的检测策略。在遏制病毒方面较为成功的国家通常采用“检测、治疗、追踪、检测”策略：先检测有症状个体，通过患者记忆、应用程序、WiFi、GPS 等组合追踪阳性个体的接触者，继而检测其接触者并重复该流程。问题在于此类策略是短视的，不能高效利用检测资源。在 COVID-19 中尤为如此，其症状可能在感染数天后才出现（或根本不出现，有证据表明许多 COVID-19 携带者为无症状但可能传播病毒）。此类贪婪策略遗漏了病毒可能处于休眠并在未来爆发的群体区域。本文中，我们表明该检测问题可被建模为带约束的基于序贯学习的资源分配问题，其输入由通过各种接触者追踪工具获得的时变社会接触图给出。我们随后开发了最小化感染个体数量的高效学习策略。这些策略基于策略迭代与前瞻规则。我们研究了基本性能界，并确保我们的解对输入图及检测本身的误差具有鲁棒性。
引用
@article{arxiv.2007.13023,
title = {A Partially Observable MDP Approach for Sequential Testing for Infectious Diseases such as COVID-19},
author = {Rahul Singh and Fang Liu and Ness B. Shroff},
journal= {arXiv preprint arXiv:2007.13023},
year = {2020}
}