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
通过使用多目标强化学习和流行病学模型,研究提供了一种优化决策的方法来同时减少经济影响和感染率的多种大流行病场景。
Jan, 2024
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
本文利用混合强化学习和进化计算的方法,基于现有的模拟器生成可解释的政策,以在减少 COVID-19 传播的同时最小化经济损失,与先前的研究和政府政策相比,得出了具有更好性能的简化的政策。
疫情决策的强化联邦学习模型可以帮助政府综合考虑公共安全与经济发展,实现健康安全与经济发展之间的平衡,同时保护数据隐私。
Nov, 2023
本文使用深度强化学习方法,针对流感大流行背景下预防策略自动学习的挑战性进程,建立新的流行病学元群体模型,利用极近政策优化算法学习单一区域的预防策略,并在 11 个区域的联合控制 policy 中考虑区域间的协作,从而有效应对具有大状态空间的复杂流行病学模型。
Mar, 2020
本研究介绍了一种创新和伦理的策略来在传染病爆发期间平衡公共卫生和经济稳定,通过引入一种新型强化学习框架,该框架利用 SIR 模型,整合了封锁措施(通过严格指数)和疫苗接种策略来模拟疾病动态。
Apr, 2024
该研究提出了一个框架,可以通过机器学习算法从流行病学模型中学习,为流行病规划提供帮助,并通过 Apache-2.0 授权发布该工作,以提高基于证据的决策制定的能力。
Oct, 2022
提出了一种基于平衡的权重方法来评估和学习个性化决策策略,该方法适用于利用历史记录来进行个性化医疗和互联网广告,该方法明显优于现有方法。
May, 2017
通过与类 ChatGPT 的大规模语言模型连接,利用基于生成的人工智能的代理人疫情模型,使每个代理人能够自主理解和决策,从而将人类行为纳入疫情模型,本研究开创可能改善动态系统建模的潜力,为代表人类大脑、推理和决策方式的建模提供一种方法。
Jul, 2023