基于核的分布式Q学习:一种用于动态治疗策略的可扩展强化学习方法
机器学习
2025-02-18 v2 人工智能
摘要
近年来,大量关于慢性病的电子健康记录(EHRs)被收集以辅助医疗诊断。对慢性病相关EHRs动态特性的建模可借助动态治疗策略(DTRs)高效完成。虽然强化学习(RL)是创建DTRs的常用方法,但如何开发能有效处理海量数据的RL算法仍是持续的研究方向。本文提出一种可扩展的基于核的分布式Q学习算法用于生成DTRs。我们对所提方法进行了理论评估和数值分析。结果表明,我们的算法显著降低了最先进的深度强化学习方法的计算复杂度,同时在各阶段的累积奖励(如生存时间或累积生存概率)方面保持了相当的泛化性能。
引用
@article{arxiv.2302.10434,
title = {Kernel-Based Distributed Q-Learning: A Scalable Reinforcement Learning Approach for Dynamic Treatment Regimes},
author = {Di Wang and Yao Wang and Shao-Bo Lin},
journal= {arXiv preprint arXiv:2302.10434},
year = {2025}
}