利用批量赌博机调和公共卫生中的风险分配与患病率估计
机器学习
2021-10-27 v1
摘要
在许多公共卫生场景中，将资源分配给已知脆弱地区与了解问题整体患病率之间存在明显的张力。受我们协助设计的入户 Covid-19 检测项目启发，我们结合多臂赌博机（multi-armed bandit）策略和抽样理论中的见解，展示了如何在持续向高危区域分配资源的同时获得准确的患病率估计。我们以传染病暴发作为贯穿始终的示例。该公共卫生场景具有若干区别于典型赌博机设置的特征，例如分布偏移（真实疾病患病率随时间变化）和批量抽样（必须同时做出多个决策）。尽管如此，我们证明若干赌博机算法能够优于贪婪资源分配策略，而后者常因未能察觉新区域的暴发而表现劣于随机分配。
引用
@article{arxiv.2110.13306,
title = {Reconciling Risk Allocation and Prevalence Estimation in Public Health Using Batched Bandits},
author = {Ben Chugg and Daniel E. Ho},
journal= {arXiv preprint arXiv:2110.13306},
year = {2021}
}
备注
Published in Machine Learning in Public Health Workshop at NeurIPS 2021