基于汤普森采样的贝叶斯协作臂用于改善孕产妇健康项目的推广效果
机器学习
2024-10-31 v2
摘要
移动健康(mHealth)项目在优化自动化健康信息呼叫给受益者的时机方面面临关键挑战。这一挑战已被表述为一个协作式多臂赌博机问题,需要在线学习一个低秩奖励矩阵。现有解决方案通常依赖于离线矩阵补全和探索策略的启发式组合。在这项工作中,我们针对这个协作赌博机问题,提出了一种使用汤普森采样的原则性贝叶斯方法。我们的方法通过高效吉布斯采样对低秩矩阵因子进行后验推断,从而利用先验信息,实现更快的收敛。我们在来自全球最大孕产妇mHealth项目的真实数据集上,展示了相对于最先进基线的显著改进。与现有方法相比,我们的方法将呼叫次数减少了16%,与部署的随机策略相比减少了47%。这一效率提升意味着项目容量可能增加50万至140万受益者,使他们能够获得关键的产前和产后护理信息。此外,我们观察到,与最先进基线和部署基线相比,受益者留存率(一个极难影响的指标)分别提高了7%和29%。合成模拟进一步证明了我们方法的优越性,特别是在低数据场景和有效利用先验信息方面。我们还使用Eluder维度在特殊设置下对我们的算法进行了理论分析。
引用
@article{arxiv.2410.21405,
title = {Bayesian Collaborative Bandits with Thompson Sampling for Improved Outreach in Maternal Health Program},
author = {Arpan Dasgupta and Gagan Jain and Arun Suggala and Karthikeyan Shanmugam and Milind Tambe and Aparna Taneja},
journal= {arXiv preprint arXiv:2410.21405},
year = {2024}
}