面向大规模疫情控制的深度强化学习
机器学习
2020-03-31 v1 人工智能
多智能体系统
摘要
传染病疫情对公共健康和全球经济构成重要威胁。然而，预防策略的制定仍具挑战性，因为疫情是非线性且复杂的过程。为此，我们研究一种深度强化学习方法，在流感大流行背景下自动学习预防策略。首先，我们构建了一个新的流行病学元种群模型，包含379个斑块（大不列颠每个行政区一个），充分刻画了流感大流行的感染过程。我们的模型平衡了复杂性与计算效率，使强化学习技术的应用成为可能。其次，我们建立基准真值，以评估“近端策略优化”算法在该流行病学模型单个行政区中的学习效果。最后，我们考虑一个大规模问题，通过实验旨在学习一个联合策略来控制由11个紧密耦合行政区组成的社区，对此无法建立基准真值。该实验表明，深度强化学习可用于在具有大状态空间的复杂流行病学模型中学习缓解策略。此外，通过此实验我们证明，在设计预防策略时考虑行政区之间的协作可能具有优势。
引用
@article{arxiv.2003.13676,
title = {Deep reinforcement learning for large-scale epidemic control},
author = {Pieter Libin and Arno Moonens and Timothy Verstraeten and Fabian Perez-Sanjines and Niel Hens and Philippe Lemey and Ann Nowé},
journal= {arXiv preprint arXiv:2003.13676},
year = {2020}
}