本研究使用强化学习和基于代理的模拟器,探讨如何优化减轻COVID-19冲击的策略,以最小化其对经济的影响,同时避免超过医院的收治能力。该研究结果验证了其用于仿真传染病传播的精细程度以及强化学习方法在实际中的表现。
Oct, 2020
本文利用长期记忆机器学习方法预测COVID-19新感染病例日趋势,并探讨疫苗的保护效力、衰减和不同变异体的传染力。结果发现,第二针和第三针疫苗的保护力分别为0.24和0.95,并使用提取出的相关参数复制了日本三个地区的新病例。
Jan, 2022
本研究使用深度多目标强化学习方法,以 Pareto Conditioned Networks (PCN) 算法为基础,尝试学习并平衡 COVID-19 流行病的多种防控策略,涉及病例、医院感染率、社会负担等多个指标,为疫情决策提供了重要洞见。
Apr, 2022
本研究基于深度确定性策略梯度(DDPG)框架,使用大规模(100,000个个体)的流行病学代理模拟,进行多目标优化,确定了最佳的封锁和疫苗接种策略,以在经济活动的基础模拟中实现最优经济和平衡健康目标。
Apr, 2023
本文探讨了在供应有限的情况下通过疫苗优先策略来减轻疫情总负担的方法,利用Trans-vaccine-SEIR模型模拟疾病演化过程,结合图神经网络和深度强化学习找到最优疫苗分配策略,实验发现相较于基线策略,该框架可将感染和死亡降低7%-10%,且能针对具有多样性的微观级疾病演化系统寻找最优解。研究结果对于疫苗供应有限和物流效率低下的区域提供了有价值的见解。
May, 2023
本研究旨在探讨如何在疫情传播模型中通过估计不确定的参数并优化稀缺的医疗资源分配来管理流行病传播。
Jun, 2023
本文提出了Adaptive Pareto Exploration采样策略和不同的停止规则来解决多目标多臂老虎机模型中Pareto最优集的识别问题和样本复杂度的分析,可用于在考虑多个免疫力标准的情况下自适应探索多个COVID-19疫苗接种策略的最优方案。
Jul, 2023
流行病学分区模型的参数校准是一个新兴领域,有潜力提高疾病建模和公共卫生决策的准确性。本文概述了可采用的校准策略,包括多种优化方法和强化学习,并讨论了这些方法的优点和缺点以及实验结果的实际结论。
Dec, 2023
针对COVID-19疫苗分配中存在的易受影响却难以获得疫苗的弱势群体,我们形式化并研究了资源分配问题,标识出减少资源差距作为关键目标,并展示其作为更复杂后续影响的替代指标的作用。我们提出了一种具体的访问模型,有助于量化给定分配对有利群体和不利群体之间的资源流动,基于他们之间的访问差距。然后,我们提供了一种访问感知的分配方法。直观地说,得到的分配利用更多疫苗在易受影响人口更多的地区以减少访问差距和整体不公。出乎意料的是,进行访问感知的分配通常不需要了解访问差距。为了支持这个形式化表示,我们提供了我们的访问模型的经验证据,并展示了访问感知的分配可以显著减少资源差距,从而改善后续结果。我们在县级、州级、国家级和全球级别展示了这一点。
Jan, 2024
我们提出了一种新颖的疫情政策制定模型,采用对抗学习和对比学习的方法,以确保模型始终学习到有用的信息,并在真实世界数据上进行了广泛的实验证明了该模型的有效性。
Mar, 2024