基于高斯过程贝叶斯推断的不确定性感知最优资源分配
最优化与控制
2023-07-04 v1 人工智能
机器学习
系统与控制
系统与控制
摘要
我们关注用于管理传染病传播的不确定性感知医疗资源（疫苗）向异质人群分配的问题。我们处理两个相关问题：(1) 对于传染病传播的区室常微分方程（ODE）模型，如何估计参数不确定性并将其整合进资源分配决策？(2) 对于一般的随机资源分配优化问题，我们如何在计算上同时处理非线性 ODE 约束与参数不确定性？据我们所知，现有文献未能完全解决这些问题。在此，我们开发了一种数据驱动方法，在一种新颖的随机优化问题表述中准确且易处理地表示参数不确定性。我们首先通过使用高斯过程的贝叶斯推断估计 ODE 模型参数上的分布来生成易处理的情景集。接着，我们开发了考虑情景依赖非线性 ODE 约束的并行求解算法。我们的情景集生成过程与求解方法具有灵活性，可处理任意区室流行病学 ODE 模型。我们在两个不同非线性 ODE 模型（SEIR 和 SEPIHR）上的计算实验表明，考虑关键流行病学参数的不确定性可将时间紧迫型分配决策的效能提高 4–8%。这一提升可归因于疫苗分配的数据驱动与最优（策略）性质，尤其在流行病早期阶段，此时分配策略可对疾病的长期轨迹产生关键影响。
引用
@article{arxiv.2307.00032,
title = {Uncertainty Informed Optimal Resource Allocation with Gaussian Process based Bayesian Inference},
author = {Samarth Gupta and Saurabh Amin},
journal= {arXiv preprint arXiv:2307.00032},
year = {2023}
}