MARC

 008240221s2023        ulk                      00        kor
■001000016933120
■00520240214101205
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380849951
■035    ▼a(MiAaPQ)AAI30525099
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aKillian,  Jackson  Albert.▼0(orcid)0000-0001-8555-1327
■24510▼aActivity  Allocation  in  an  Under-Resourced  World:  Toward  Improving  Engagement  With  Public  Health  Programs  via  Restless  Bandits▼h[electronic  resource]
■260    ▼a[S.l.]▼bHarvard  University.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(268  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-05,  Section:  B.
■500    ▼aAdvisor:  Tambe,  Milind.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aArtificial  intelligence  (AI)  tools  are  being  developed  widely  within  society  to  improve  decision-making,  especially  in  resource-constrained  settings  like  public  health.  However,  developing  effective  AI  tools  for  public  health  is  complicated  by  scale,  the  time-varying  and  intervention-dependent  nature  of  individuals'  behavior,  and  scarcity  -  of  intervention  resources,  historical  data,  and  real-time  observations.  Many  of  these  challenges  are  unaddressed  in  literature  and  can  lead  to  poor  outcomes  if  ignored  in  real-world  AI  support  systems  for  public  health.  For  example,  previous  works  have  modeled  the  problem  of  delivering  interventions  to  improve  engagement  with  health  programs  as  a  restless  bandit,  a  widely-studied  framework  in  which  a  set  of  stochastic  arms  are  controlled  by  a  planner  with  a  limited  intervention  budget.  However,  these  works  do  not  account  for  the  uncertainty  that  results  from  estimating  the  dynamics  of  stochastic  arms  from  noisy  observations  and  historical  data.  To  address  this,  I  introduce  the  first  methods  for  computing  uncertainty-robust  restless  bandit  policies,  across  a  range  of  assumptions  on  prior  information  and  observability.  I  achieve  this  by  designing  novel  approaches  to  efficiently  search  large  policy  and  uncertainty  spaces,  e.g.,  a  new  multi-agent  deep  reinforcement  learning  paradigm  in  which  a  centralized  budget-network  communicates  with  per-arm  policy-networks  to  learn  globally  optimal  policies  in  an  environment  controlled  by  a  regret-maximizing  adversary-network.  In  union  with  this  work,  I  advance  art  within  the  more  computationally  intensive  generalization  of  restless  bandits  that  finds  policies  which  balance  many  types  of  interventions  with  unique  costs  and  effects,  e.g.,  a  phone  call  vs.  in-person  visit;  my  works  identify  and  exploit  functional  structures  to  design  new  algorithms  that  scale.  This  dissertation  tackles  several  such  challenges  driven  by  identifying  the  key  missing  capabilities  of  interdisciplinary  collaborators,  especially  tuberculosis  healthcare  workers  and  workers  within  a  maternal  health  non-profit  in  India.
■590    ▼aSchool  code:  0084.
■650  4▼aComputer  science.
■650  4▼aPublic  health.
■650  4▼aBioinformatics.
■653    ▼aMachine  learning
■653    ▼aMarkov  Decision  Process
■653    ▼aOptimization
■653    ▼aRestless  bandits
■653    ▼aUncertainty
■690    ▼a0984
■690    ▼a0800
■690    ▼a0573
■690    ▼a0715
■71020▼aHarvard  University▼bEngineering  and  Applied  Sciences  -  Computer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-05B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933120▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서