基于GAN的移动健康可操作补救方法
机器学习
2022-11-15 v1
摘要
移动健康应用提供了一种独特的数据收集手段，可用于提供自适应干预。预测结果在很大程度上影响此类干预的选择。通过反事实的补救方法提供了修改用户预测的具体机制。通过识别可增加获得期望预测可能性的合理操作，利益相关者能够对其预测施加能动性。此外，补救机制支持反事实推理，有助于深入洞察因果干预特征的候选者。我们在基于集成生存分析的Safe Delivery App（一项面向熟练助产士的数字培训工具）中用户中期参与度预测上，展示了针对移动健康应用的GAN生成补救方法的可行性。
引用
@article{arxiv.2211.06525,
title = {Actionable Recourse via GANs for Mobile Health},
author = {Jennifer Chien and Anna Guitart and Ana Fernandez del Rio and Africa Perianez and Lauren Bellhouse},
journal= {arXiv preprint arXiv:2211.06525},
year = {2022}
}
备注
16 pages, formatted for extended abstract requirements