基于隐参数马尔可夫决策过程的跨患者变异迁移学习
机器学习
2016-12-05 v1 人工智能
机器学习
摘要
由于生理差异，被诊断为相同病症的患者可能对相同治疗表现出不同但相关的反应。隐参数马尔可夫决策过程（HiP-MDPs）通过将任务嵌入低维空间来解决这一迁移学习问题。然而，HiP-MDP 的原始公式存在一个关键缺陷：嵌入不确定性被独立于智能体的状态不确定性建模，这需要一种不自然的训练过程，其中所有任务必须访问状态空间的每个部分——这对于可以被移动到特定位置的机器人是可能的，对于人类患者则不可能。我们更新了 HiP-MDP 框架，并将其扩展以更鲁棒地制定针对 HIV 治疗的个性化医疗策略。
引用
@article{arxiv.1612.00475,
title = {Transfer Learning Across Patient Variations with Hidden Parameter Markov Decision Processes},
author = {Taylor Killian and George Konidaris and Finale Doshi-Velez},
journal= {arXiv preprint arXiv:1612.00475},
year = {2016}
}
备注
Brief abstract for poster submission to Machine Learning for Healthcare workshop at NIPS 2016