博弈与参考:面向疫情防控的策略组合合成
人工智能
2024-03-19 v1
摘要
近年来,疫情决策模型越来越多地被用于为决策者提供针对 SARS、H1N1 和 COVID-19 等灾难性疫情的防控政策参考。现有研究目前受到两个问题的制约:首先,以往的方法基于效果评估制定政策,由于现实决策中很少有因素能被建模,输出的政策很容易变得极端。其次,人类的主观性和认知局限性使得历史政策对于决策模型的训练并不总是最优的。为此,我们提出了一种用于疫情决策的新颖的策略组合合成(PCS)模型。特别地,为了防止极端决策,我们在模型生成的政策与真实政策之间引入对抗学习,以迫使输出的政策更符合人类习惯。另一方面,为了最小化次优历史政策的影响,我们采用对比学习让模型在相似场景下借鉴最佳历史政策的经验。对抗学习和对比学习均根据真实政策的综合效果进行自适应调整,以确保模型始终学习有用信息。在真实数据上的大量实验证明了所提出模型的有效性。
引用
@article{arxiv.2403.10744,
title = {Game and Reference: Policy Combination Synthesis for Epidemic Prevention and Control},
author = {Zhiyi Tan and Bingkun Bao},
journal= {arXiv preprint arXiv:2403.10744},
year = {2024}
}
备注
16 pages, single line, 7 figures, written with Springer conference template