English(EN) Optimizing Resource-Constrained Non-Pharmaceutical Interventions for Multi-Cluster Outbreak Control Using Hierarchical Reinforcement Learning

AI框架利用分层强化学习优化资源受限的疫情控制

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-04 04:00

研究人员开发了一个分层强化学习框架，用于优化跨多个集群的传染病疫情控制的有限资源分配。该方法使用一个全局控制器来管理总体需求，并使用局部策略来估计资源对各个集群的价值。在对SARS-CoV-2疫情的模拟中，该框架的表现优于现有方法20-30%，并证明了其管理多达40个并发集群的可扩展性。 AI

影响引入了一个可扩展的强化学习框架，用于资源受限的公共卫生干预措施，有望提高疫情响应效率。

排序理由这是一篇研究论文，详细介绍了使用强化学习进行疫情控制的新框架。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Xueqiao Peng, Andrew Perrault · 2026-05-04 04:00

Optimizing Resource-Constrained Non-Pharmaceutical Interventions for Multi-Cluster Outbreak Control Using Hierarchical Reinforcement Learning

arXiv:2603.19397v2 Announce Type: replace Abstract: Non-pharmaceutical interventions (NPIs), such as diagnostic testing and quarantine, are crucial for controlling infectious disease outbreaks but are often constrained by limited resources, particularly in early outbreak stages. …

报道来源 [1]

Optimizing Resource-Constrained Non-Pharmaceutical Interventions for Multi-Cluster Outbreak Control Using Hierarchical Reinforcement Learning

相关实体

相关话题