利用有限数据快速个性化移动健康治疗策略
机器学习
2020-02-25 v1 计算机与社会
机器学习
摘要
在移动健康（mHealth）中，不学习个性化策略而仅适应个体情境的强化学习算法可能未能区分不同个体的需求。然而，由于 mHealth 干预措施的现场递送所导致的高噪声，会削弱算法在仅能访问单一用户数据时的学习能力，使个性化颇具挑战。我们提出 IntelligentPooling，其通过对其他用户数据的自适应、有原则的使用来学习个性化策略。我们表明 IntelligentPooling 在所有生成模型上平均比最先进方法低 26% 的 regret。此外，我们在一项现场临床试验中检视该方法的行为，展示了其即便从小规模用户群体中学习的能力。
引用
@article{arxiv.2002.09971,
title = {Rapidly Personalizing Mobile Health Treatment Policies with Limited Data},
author = {Sabina Tomkins and Peng Liao and Predrag Klasnja and Serena Yeung and Susan Murphy},
journal= {arXiv preprint arXiv:2002.09971},
year = {2020}
}