用于选择流感缓解策略的贝叶斯最佳臂辨识
机器学习
2018-06-18 v2 人工智能
种群与进化
摘要
大流行性流感具有导致数百万人死亡的流行潜力。尽管存在各种预防措施（包括疫苗接种和关闭学校等），但决定能使其最有效和高效使用的策略仍具挑战性。为此，基于个体的流行病学模型对于协助决策者确定遏制疫情传播的最佳策略至关重要。然而，基于个体的模型计算密集，因此利用最少的模型评估次数来辨识最优策略至关重要。此外，由于流行病学建模实验需要事先规划，计算预算必须预先指定。因此，我们提出了一种新的采样技术，利用固定预算最佳臂辨识算法来优化预防策略的评估。我们利用流行病学建模理论推导关于奖励分布的知识，并通过贝叶斯最佳臂辨识算法（即 Top-two Thompson sampling 和 BayesGap）加以利用。我们在真实实验设置中评估这些算法，并证明仅使用有限次数的模型评估即可辨识最优策略，即比文献中用于流行病学决策的主要技术——均匀采样方法快 2 到 3 倍。最后，我们提出并评估了 Top-two Thompson sampling 的一个统计量，以向决策者告知臂推荐的可信度。
引用
@article{arxiv.1711.06299,
title = {Bayesian Best-Arm Identification for Selecting Influenza Mitigation Strategies},
author = {Pieter Libin and Timothy Verstraeten and Diederik M. Roijers and Jelena Grujic and Kristof Theys and Philippe Lemey and Ann Nowé},
journal= {arXiv preprint arXiv:1711.06299},
year = {2018}
}