低血压治疗中安全且可解释强化学习的决策点识别
机器学习
2021-01-12 v1
摘要
许多批量强化学习健康应用首先将时间离散为固定间隔。然而，这种离散化既损失了分辨率，又迫使在每一个（可能很细的）间隔上进行策略计算。在本工作中，我们开发了一种新颖的框架，将连续轨迹压缩为少数可解释的决策点——即批量数据支持多种备选方案的位置。我们将该方法应用于从一个低血压患者队列数据集中生成推荐。我们缩减的状态空间带来了更快的规划，并允许临床专家轻松检视。
引用
@article{arxiv.2101.03309,
title = {Identifying Decision Points for Safe and Interpretable Reinforcement Learning in Hypotension Treatment},
author = {Kristine Zhang and Yuanheng Wang and Jianzhun Du and Brian Chu and Leo Anthony Celi and Ryan Kindle and Finale Doshi-Velez},
journal= {arXiv preprint arXiv:2101.03309},
year = {2021}
}
备注
NeurIPS 2020 Machine Learning for Health (ML4H) Workshop