StepCountJITAI：面向即时自适应干预中强化学习应用的模拟环境，以身体活动为例
机器学习
2024-11-04 v1 人工智能
摘要
利用强化学习（RL）学习即时自适应干预（JITAI）策略在包括提升身体活动水平在内的许多行为干预领域引起了极大兴趣。在基于消息的身体活动JITAI中，通常使用移动健康应用程序向参与者发送消息，以鼓励其参与身体活动。在此情境下，RL方法可用于学习在不同情境下向参与者提供何种干预方案。然而，在真实的身体活动自适应干预中部署RL方法面临挑战：真实干预研究的成本和时间限制导致可用于学习自适应干预策略的数据有限。此外，常用的RL模拟环境具有与身体活动自适应干预相关性有限的动态特性，因此对于何种RL方法最适合这一具有挑战性的应用领域，提供的启示甚少。本文介绍了StepCountJITAI，这是一个RL环境，旨在促进针对自适应行为干预策略学习重大挑战的RL方法研究。
引用
@article{arxiv.2411.00336,
title = {StepCountJITAI: simulation environment for RL with application to physical activity adaptive intervention},
author = {Karine Karine and Benjamin M. Marlin},
journal= {arXiv preprint arXiv:2411.00336},
year = {2024}
}
备注
Accepted at NeurIPS 2024 workshop on Behavioral ML