面向零膨胀计数结果的 Thompson 采样及其在 Drink Less 移动健康研究中的应用
机器学习
2024-07-31 v2 机器学习
应用统计
摘要
移动健康（mHealth）干预通常通过即时自适应干预优化近端结果（如临床状况等远端结果）来改善。情境多臂老虎机为根据个体时变情境定制此类干预提供了合适框架。然而，诸如在老虎机框架内对计数结果建模等独特挑战，阻碍了情境多臂老虎机在 mHealth 研究中的广泛应用。当前工作通过将计数数据模型引入在线决策方法来应对该挑战。具体而言，我们将四种常见离线计数数据模型（泊松、负二项、零膨胀泊松和零膨胀负二项回归）与流行的情境多臂老虎机算法 Thompson 采样相结合。所提算法受 Drink Less 试验真实数据集启发并据此评估，结果表明其提升了用户对该 mHealth 平台的参与度。所提方法在模拟数据上进一步评估，在最大化累积近端结果方面优于现有算法。文中还推导了关于后悔界的理论结果。countts R 包提供了我们方法的实现。
引用
@article{arxiv.2311.14359,
title = {Thompson sampling for zero-inflated count outcomes with an application to the Drink Less mobile health study},
author = {Xueqing Liu and Nina Deliu and Tanujit Chakraborty and Lauren Bell and Bibhas Chakraborty},
journal= {arXiv preprint arXiv:2311.14359},
year = {2024}
}