用于优化 COVID-19 缓解策略的强化学习
机器学习
2020-10-22 v1 人工智能
计算机与社会
摘要
2020 年见证了 COVID-19 病毒引发史上最严重全球大流行之一。因此，世界各国政府面临保护公众健康同时尽可能维持经济的挑战。流行病学模型提供了对此类疾病传播的洞察并预测可能干预政策的效果。然而迄今为止，即便最数据驱动的干预政策仍依赖启发式方法。本文中，我们研究如何使用强化学习（RL）来优化在不过载医院容量的前提下将经济影响最小化的缓解政策。我们的主要贡献为：（1）一种新颖的基于智能体的大流行模拟器，与传统模型不同，其能够建模社区中特定位置人员间的细粒度交互；（2）一种在该模拟器中优化细粒度缓解政策的基于 RL 的方法论。我们的结果在现实条件下验证了整体模拟器行为与所学政策。
引用
@article{arxiv.2010.10560,
title = {Reinforcement Learning for Optimization of COVID-19 Mitigation policies},
author = {Varun Kompella and Roberto Capobianco and Stacy Jong and Jonathan Browne and Spencer Fox and Lauren Meyers and Peter Wurman and Peter Stone},
journal= {arXiv preprint arXiv:2010.10560},
year = {2020}
}
备注
*Joint First Authors