针对阿片类毒品危机的基于知识引导的政策干预世界模型
机器学习
2026-02-16 v1 人工智能
社会与信息网络
摘要
阿片类毒品流行病仍是美国最严重的公共卫生危机之一，但在实施前评估政策干预措施仍然困难：多个政策在动态系统中相互作用，其中针对一个风险通道的干预可能无意中放大另一个通道。我们认为有效的阿片类政策评估需要三个能力——在当前政策下预测未来结果、对另一种过去决策进行反事实推理、以及对候选干预进行优化——并通过世界建模将其统一。我们提出了 Policy4OOD，一个知识引导的时空世界模型，用于解决三个核心挑战：政策规定了什么、效果在何处显现、效果何时展开。Policy4OOD 将政策知识图、州级空间依赖关系和社会经济时间序列联合编码到政策条件化的 Transformer 中，用于预测未来阿片类结果。一旦训练完成，世界模型即作为仿真器使用：预测只需前向传递、反事实分析通过替换历史序列中的政策编码来实现，政策优化则在所学仿真器上执行蒙特卡洛树搜索。为支持该框架，我们构建了一个州级月度数据集（2019--2024），集成了阿片类死亡人数、社会经济指标和结构化政策编码。实验表明，空间依赖关系和结构化政策知识显著提高了预测精度，验证了每个架构组件以及世界建模在数据驱动公共卫生决策支持方面的潜力。
引用
@article{arxiv.2602.12373,
title = {Policy4OOD: A Knowledge-Guided World Model for Policy Intervention Simulation against the Opioid Overdose Crisis},
author = {Yijun Ma and Zehong Wang and Weixiang Sun and Zheyuan Zhang and Kaiwen Shi and Nitesh Chawla and Yanfang Ye},
journal= {arXiv preprint arXiv:2602.12373},
year = {2026}
}