基于预训练反事实可逆神经网络的血糖控制
机器学习
2026-01-26 v2 人工智能
摘要
1 型糖尿病（T1D）的特征是胰岛素缺乏和血糖（BG）控制问题。连续血糖控制的最新解决方案是强化学习（RL），其中智能体可以及时动态调整外源性胰岛素剂量，将 BG 水平维持在目标范围内。然而，由于缺乏动作指导，智能体通常需要从随机试验中学习，以理解外源性胰岛素剂量与 BG 水平之间的误导性相关性，这可能导致不稳定和不安全。为了应对这些挑战，我们提出了一种基于反事实可逆神经网络（CINN）的内省强化学习。我们将预训练的 CINN 作为 RL 智能体的冻结内省模块，它集成了前向预测和反事实推理来指导策略更新，促进更稳定、更安全的 BG 控制。CINN 基于可解释的因果顺序构建，采用具有仿射耦合层的双向编码器以确保可逆性，同时使用正交权重归一化来增强可训练性，从而确保网络参数的双向可微性。我们通过实验验证了预训练的 CINN 在 BG 预测和动作反事实推理中的准确性和泛化能力。此外，我们的实验结果突出了预训练 CINN 在指导 RL 策略更新以实现更准确、更安全的 BG 控制方面的有效性。
引用
@article{arxiv.2405.17458,
title = {Blood Glucose Control Via Pre-trained Counterfactual Invertible Neural Networks},
author = {Jingchi Jiang and Rujia Shen and Boran Wang and Yi Guan},
journal= {arXiv preprint arXiv:2405.17458},
year = {2026}
}