.png){kind=icon}
返回
Multi-Objective Reinforcement Learning Algorithm for Irregular Spatial Clusters Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05176-9_32.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
检测不规则空间聚类的方法涵盖广泛的实际应用，已成为分析疾病暴发等现象的宝贵工具。然而，作为这些分析中广泛采用的方法论，空间扫描统计需要支持策略以减轻候选聚类的过度估计。为应对这一挑战，已引入多目标优化技术，该技术同时优化扫描统计量并应用惩罚函数于候选聚类的形状或结构。我们提出了一种基于多目标强化学习（MORL）范式及专用多目标马尔可夫决策过程（MOMDP）的创新方法。该方法的核心是一种新颖的帕累托Q学习扫描（PQL-SCAN）算法，能够动态学习高效策略集。该方法通过优化由两个冲突目标定义的奖励向量来生成候选聚类：最大化空间扫描统计量并最小化离散惩罚函数。首先在包含人工聚类的合成数据集地图上进行了全面的计算实验，随后在真实世界疾病地图上进行了评估。结果表明，PQL-SCAN在准确检测复杂不规则聚类方面具有高效率、鲁棒性和适应性。
Keyword:
Multi-Objective optimization
Reinforcement Learning
Irregular Spatial Cluster Detection
期刊
P
IF:
0
论文数:
38
被引数:
0
机构
引用论文
Spatial clustering and contextual factors associated with hospitalisation and deaths due to COVID-19 in Sweden: a geospatial nationwide ecological study瑞典新型冠状病毒肺炎导致住院和死亡的空间聚类和背景因素: 地理空间全国生态研究.png)
BMJ GLOBAL HEALTH
OAAI
BMJ GLOBAL HEALTHIF6.1
OAAI分享收藏Detection of irregular-shaped clusters on a network by controlling the shape compactness with a penalty functionGeoJournal
GeoJournalIF0
PREAI
分享收藏Partners in Criminology: Machine Learning and Network Science Reveal Missed Opportunities and Inequalities in the Study of Crime《犯罪学伙伴关系：机器学习与网络科学揭示犯罪研究中被忽视的机会与不平等》
PREAI
分享收藏
分享收藏
查看更多内容