移动健康中线性混合模型的精简经验贝叶斯拟合
机器学习
2020-03-31 v1 机器学习
摘要
为了实现行为改变，一个成功的算法必须实时做出高质量决策。例如，一个旨在增加身体活动的移动健康（mHealth）应用必须提供与情境相关的建议以激励用户。虽然机器学习为某些程式化场景提供了解决方案，例如可以离线处理批量数据时，但在 mHealth 特定约束下能够提供高质量方法的研究却很匮乏。我们提出了一种为用户提供情境化与个性化身体活动建议的算法。该算法能够克服 mHealth 中一个关键挑战，即复杂模型必须高效训练。我们提出了一种可处理的精简经验贝叶斯过程，用于在大数据环境下拟合线性混合效应模型。我们的过程利用由层次随机效应引入的稀疏性，高效学习线性混合效应模型的后验分布。本工作的一个关键贡献在于，我们给出了显式更新公式，以同时学习固定效应、随机效应和超参数值。我们在移动健康（mHealth）强化学习应用中展示了该方法的成功，该领域快速计算对于实时干预至关重要。我们的方法不仅计算高效，而且可通过闭式矩阵代数更新轻松实现，并且我们在速度和精度上分别展示了相较最先进方法最高达 99% 和 56% 的提升。
引用
@article{arxiv.2003.12881,
title = {Streamlined Empirical Bayes Fitting of Linear Mixed Models in Mobile Health},
author = {Marianne Menictas and Sabina Tomkins and Susan A Murphy},
journal= {arXiv preprint arXiv:2003.12881},
year = {2020}
}