Сортамент гладкой арматуры: Сортамент арматуры A1 и A3 (A500C) соответствующий ГОСТ 5781, таблица сортамента

Acun B, Sucuoğlu H (2011) Пределы производительности для железобетонных колонн при тяжелых циклах смещения.ACI Structu J 107 (3): 364–371

Google Scholar

Арани К.К., Марефат М.С., Амроллахи-Биаки А., Ханмохаммади М. (2013) Экспериментальная сейсмическая оценка старых бетонных колонн, армированных простыми стержнями. Struct Des Tall Spec Build 22: 267–290. https://doi.org/10.1002/tal.686

Артикул

Google Scholar

Арани К.К., Ди Людовико М., Марефат М.С. и др. (2014) Оценка бокового отклика железобетонных колонн старого типа с гладкими стержнями.ACI Struct J 111: 827–838. https://doi.org/10.14359/51686734

Google Scholar

ASCE (2017) Сейсмическая оценка и модернизация существующих зданий. Стандарт ASCE / SEI 41-17

Бискинис Д., Фардис М. (2009) Деформации бетонных элементов при податливости и предельных значениях при монотонной или циклической нагрузке (включая отремонтированные и модифицированные элементы). № отчета SEE, 1

Bournas DA, Lontou PV, Papanicolaou CG, Triantafillou TC (2007) Текстильно-армированный строительный раствор в сравнении с заключением армированного волокном полимера в железобетонных колоннах.ACI Struct J 104: 704–748. https://doi.org/10.14359/18956

Google Scholar

Бусиас С., Спатис А.Л., Фардис М.Н. (2007) Сейсмическое переоснащение колонн гладкими стержнями, соединенными внахлест, через FRP или бетонные оболочки. J Earthq Eng 11: 653–674. https://doi.org/10.1080/13632460601125714

Артикул

Google Scholar

Campione G, Cavaleri L, Di Trapani F et al (2016) Области двухосной деформации и пластичности для инженерных прямоугольных поперечных сечений RC: параметрическое исследование, подчеркивающее положительную роль осевой нагрузки, геометрии и материалов.Eng Struct 107: 116–134. https://doi.org/10.1016/j.engstruct.2015.10.030

Артикул

Google Scholar

CEN (2005) Европейский стандарт EN 1998-3: 2005. Еврокод 8: проектирование сейсмостойких конструкций — часть 3: оценка и модернизация зданий. Включение исправления, март 2010 г. Европейский комитет по стандартизации

Ди Людовико М., Вердераме Г.М., Прота А. и др. (2013) Экспериментальное поведение несоответствующих колонн RC с гладкими стержнями при постоянной осевой нагрузке и двухосном изгибе.J Struct Eng 139: 897–914. https://doi.org/10.1061/(ASCE)ST.1943-541X.0000703

Артикул

Google Scholar

Ди Людовико М., Вердераме GM, Прота А. и др. (2014) Циклическое поведение несоответствующих полномасштабных столбцов RC. J Struct Eng 140: 4013107. https://doi.org/10.1061/(ASCE)ST.1943-541X.0000891

Артикул

Google Scholar

Элвуд К.Дж., Эберхард М.О. (2009) Эффективная жесткость железобетонных колонн.ACI Struct J 106: 476–484. https://doi.org/10.14359/56613

Google Scholar

Elwood KJ, Moehle JP (2005) Модель осевой нагрузки для колонн, поврежденных сдвигом. ACI Struct J 102: 578–587. https://doi.org/10.14359/14562

Google Scholar

Faella C, Napoli A, Realfonzo R (2008) Циклическое изгибное поведение бетонных колонн с FRP при высокой осевой нагрузке.В: Cosenza E, Manfredi G, Monti G (eds) Proceedings, ReLUIS congress оценка снижения сейсмической уязвимости существующих RC-зданий. Международное научное издательство Polimetrica, Монца, Италия. Фельдман, Л. Р., стр. 533–542

Fernandes CAL (2012) Циклическое поведение железобетонных элементов с плоскими арматурными стержнями. Universidade de Aveiro

Ghannoum WM, Matamoros AB (2014) Параметры нелинейного моделирования и критерии приемки для бетонных колонн. Spec Publ 297: 1–24

Google Scholar

Goksu C, Yilmaz H, Chowdhury SR et al (2014) Влияние длины стыка внахлест на поведение циклических поперечных нагрузок стержней из железобетонных конструкций с низкопрочным бетоном и гладкими стержнями.Adv Struct Eng 17: 639–658. https://doi.org/10.1260/1369-4332.17.5.639

Артикул

Google Scholar

Hakuto S (2000) Сейсмические характеристики железобетонных колонн с концевыми крюками под углом 90 градусов для поперечной арматуры при высокоскоростной нагрузке. В: Материалы 12-й всемирной конференции по сейсмической инженерии Окленд, Новая Зеландия, доклад №: 1–7

Haselton CB, Deierlein GG (2008) Оценка сейсмической безопасности обрушения современных железобетонных зданий с моментным каркасом.Civ Eng 137: 481–491. https://doi.org/10.1061/(ASCE)ST.1943-541X.0000318

Google Scholar

Генри Р.С. (2013) Оценка минимальных пределов вертикального армирования для железобетонных стен. Bull N Z Soc Earthq Eng 46: 88–96

Google Scholar

Илки А., Демир С., Бедирханоглу И., Кумбасар Н. (2009) Сейсмическая модернизация хрупких и низкопрочных RC-колонн с использованием армированного волокном полимера и вяжущих композитов.Adv Struct Eng 12: 325–347. https://doi.org/10.1260/136943309788708356

Артикул

Google Scholar

Лю А., Парк Р. (2001) Сейсмические свойства и модернизация внешних стыков балок и колонн, построенных до 1970 года, армированных плоскими круглыми стержнями. Bull N Z Soc Earthq Eng 34: 68–81

Google Scholar

Marefat MS, Karbasi Arani K, Hassanzadeh Shirazi SM, Amrollahi A (2008) Сейсмическое поведение и модернизация бетонных колонн старого здания R.C. Здания, укрепленные гладкими решетками. AIP Conf Proc 1020: 1554–1562. https://doi.org/10.1063/1.2963783

Артикул

Google Scholar

Мело Дж., Варум Х., Россетто Т. (2015) Экспериментальное циклическое поведение колонн RC с плоскими стержнями и предложение по улучшению формулы Еврокода 8. Eng Struct 88: 22–36. https://doi.org/10.1016/j.engstruct.2015.01.033

Артикул

Google Scholar

O’Reilly GJ, Sullivan TJ (2017) Методы моделирования для сейсмической оценки существующих итальянских железобетонных каркасных конструкций.J Earthq Eng 2469: 1–35. https://doi.org/10.1080/13632469.2017.1360224

Артикул

Google Scholar

Руководство Новой Зеландии (2017) Часть C5, бетонные здания. Техническое руководство для инженерных оценок

Osorio E, Bairan JM, Mari AR (2012) Влияние циклической двухосной сдвиговой нагрузки на сейсмический отклик колонн RC. В: Материалы 15-й Всемирной конференции по сейсмостойкости, Лиссабон, Португалия

Pham TP, Li B (2014) Сейсмические характеристики железобетонных колонн с плоскими продольными арматурными стержнями.ACI Struct J 111: 561–572. https://doi.org/10.14359/51686572

Google Scholar

Пристли, Ковальский (2000) Проектирование бетонных зданий на основе прямого перемещения. Bull N Z Soc Earthq Eng 33: 421–444

Google Scholar

Priestley MJN, Verma R, Xiao Y (1994) Сейсмическая прочность на сдвиг железобетонных колонн. J Struct Eng 120: 2310–2329.https://doi.org/10.1061/(ASCE)0733-9445(1994)120:8(2310)

Артикул

Google Scholar

Стандарты Новой Зеландии (2006) NZS 3101: 2006, стандарт бетонных конструкций

Stocker MF, Sozen MA (1969) Исследование предварительно напряженного железобетона для автомобильных мостов, часть vi, характеристики сцепления предварительно напряженной пряди. Инженерная экспериментальная станция Университета Иллинойса. Инженерный колледж.Университет Иллинойса в Урбане-Шампейне

Стокман Л. (2007) Характеристики и модернизация железобетонных колонн с недостаточным соединением внахлест (неопубликованная диссертация). Кентерберийский университет

Stookey MC (1907) Испытания связи между бетоном и сталью. Университет Иллинойса

Цуно К., Парк Р. (2004) Экспериментальное исследование железобетонных опор моста, подвергающихся двунаправленной квазистатической нагрузке. Struct Eng / Earthq Eng 21: 11–26.https://doi.org/10.2208/jsceseee.21.11s

Артикул

Google Scholar

Verderame GM, Fabbrocino G, Manfredi G (2008a) Сейсмический отклик R.C. колонны с гладким армированием. Часть II: циклические тесты. Eng Struct 30: 2289–2300. https://doi.org/10.1016/j.engstruct.2008.01.024

Артикул

Google Scholar

Verderame GM, Fabbrocino G, Manfredi G (2008b) Сейсмический отклик R.В. колонны с гладкой арматурой. Часть I: монотонные тесты. Eng Struct 30: 2277–2288. https://doi.org/10.1016/j.engstruct.2008.01.025

Артикул

Google Scholar

Verderame GM, Ricci P, Manfredi G, Cosenza E (2010) Максимальное вращение хорды RC-колонн с гладкими полосами: некоторые соображения о предписаниях EC8. Bull Earthq Eng 8: 1351–1373. https://doi.org/10.1007/s10518-010-9190-x

Артикул

Google Scholar

Ван Д., Ли Х. Н., Ли Г. (2013) Экспериментальные испытания железобетонных колонн при многомерных динамических нагрузках.Материал сборки 47: 1167–1181. https://doi.org/10.1016/j.conbuildmat.2013.06.003

Артикул

Google Scholar

Yalcin C, Kaya O, Sinangil M (2008) Сейсмическое переоборудование R / C колонн с гладкими арматурными стержнями с использованием листов углепластика для повышения прочности и пластичности. Строительный материал 22: 295–307. https://doi.org/10.1016/j.conbuildmat.2006.08.017

Артикул

Google Scholar

Быстрые ставки для контекстной линейной оптимизации с Y.Ху и Х. Мао.

• arXiv November 2020.

• Abstract: Включение дополнительных наблюдений за прогностическими функциями может помочь уменьшить неопределенность при принятии оперативных решений, но также требует от нас решения потенциально сложных прогностических отношений. Хотя можно использовать различные стандартные методы машинного обучения, чтобы изучить прогнозную модель, а затем подключить ее к нашей задаче принятия решений, в различных недавних работах вместо этого предлагалось интегрировать оценку и оптимизацию с учетом последующих решений. .Удивительно, но в случае контекстной линейной оптимизации мы показываем, что наивный подход с подключаемыми модулями на самом деле обеспечивает скорость сходимости с сожалением, которая значительно выше, чем наилучшая возможная с помощью методов, которые напрямую оптимизируют производительность последующих решений. Мы показываем это, используя тот факт, что конкретные экземпляры проблем не имеют произвольно плохой, близкой к вырожденности. Хотя есть и другие плюсы и минусы, которые следует учитывать при обсуждении, наши результаты подчеркивают очень тонкую среду, в которой предприятие может интегрировать оценку и оптимизацию.

Леса стохастической оптимизации, с X. Мао.

Быстрые ставки для сожаления об автономном обучении с подкреплением, с Ю. Ху и М. Уэхара.

• arXiv Февраль 2021.

• Аннотация: Мы изучаем сожаление об обучении с подкреплением на основе автономных данных, генерируемых политикой фиксированного поведения в процессе марковских решений с дисконтированием с бесконечным горизонтом (MDP).В то время как существующие анализы общих подходов, таких как подобранная Q-итерация (FQI), предполагают, к сожалению, сходимость O (1 / √n), эмпирическое поведение демонстрирует гораздо более быструю сходимость. В этой статье мы представляем более тонкий анализ сожалений, который точно характеризует это явление, обеспечивая быстрые показатели сходимости сожалений. Во-первых, мы показываем, что при любой оценке оптимальной функции качества Q & ast; сожаление о политике, которую она определяет, сходится со скоростью, заданной возведением в степень поточечной сходимости Q & ast; -оценки, тем самым ускоряя ее.Уровень возведения в степень зависит от уровня шума в задаче принятия решения, а не от задачи оценки. Мы устанавливаем такие уровни шума для линейных и табличных МДП в качестве примеров. Во-вторых, мы предлагаем новый анализ FQI и минимизации остатков Беллмана, чтобы установить правильные гарантии поточечной сходимости. В качестве конкретных случаев наши результаты предполагают O (1 / n) процент сожаления в линейных случаях и exp (-Ω (n)) процент сожаления в табличных случаях.

Анализ конечной выборки минимаксного автономного обучения с подкреплением: полнота, быстрота и эффективность первого порядка, с M.Имаидзуми, Н. Цзян, В. Сунь, М. Уэхара и Т. Се.

• arXiv Февраль 2021 г.

• Аннотация: Мы предлагаем теоретическую характеристику внеполитической оценки (OPE) в обучении с подкреплением с использованием аппроксимации функций для весов маргинальной важности и q-функций, когда они оцениваются с использованием последних методов минимакс . При различных комбинациях предположений реализуемости и полноты мы показываем, что минимаксный подход позволяет нам достичь высокой скорости сходимости для весов и функций качества, характеризуемой критическим неравенством (Bartlett et al., 2005). Основываясь на этом результате, мы анализируем скорость сходимости для OPE. В частности, мы вводим новые альтернативные условия полноты, при которых возможна OPE, и представляем первый результат конечной выборки с эффективностью первого порядка в нетабличных средах, то есть с минимальным коэффициентом в главном члене.

Об оптимальности рандомизации в экспериментальном плане: как рандомизировать для минимальной дисперсии и вывода на основе плана.

Реплика: Новые цели изучения политики.

Справедливость, благосостояние и равноправие при персонализированном ценообразовании, с А. Чжоу.

• Материалы 4-й конференции ACM по справедливости, подотчетности и прозрачности (FAccT), 2021 г.

• arXiv декабрь 2020 г.

• Аннотация: Мы изучаем взаимосвязь соображений справедливости, благосостояния и справедливости в индивидуальном ценообразовании на основе характеристик клиента.Продавцы все чаще могут проводить персонализацию цен на основе прогнозного моделирования спроса, обусловленного ковариатами: устанавливать индивидуальные процентные ставки, целевые скидки на потребительские товары и персонализированные субсидии на ограниченные ресурсы с положительными внешними эффектами, такими как вакцины и надкроватные сетки. Эти разные области применения могут вызывать разные опасения по поводу справедливости, благосостояния и справедливости для разных целей: ценовое бремя для потребителей, зависть к ценам, доход фирм, доступ к товару, равный доступ и последствия распределения, когда рассматриваемый товар оказывает дальнейшее влияние на переработку. интересующие результаты.Мы проводим всесторонний обзор литературы, чтобы разделить эти различные нормативные соображения и предложить таксономию различных целей с математическими определениями. Мы сосредотачиваемся на наблюдательных метриках, которые не предполагают доступа к базовому распределению оценок, которое либо не наблюдается из-за бинарной обратной связи, либо плохо определено из-за преобладающих поведенческих проблем, связанных с интерпретацией выявленных предпочтений. При настройке индивидуального ценообразования для предоставления товаров с положительными преимуществами мы обсуждаем, как оптимизация цен может принести однозначную выгоду за счет достижения «тройного результата»: персонализированное ценообразование позволяет расширить доступ, что, в свою очередь, может привести к повышению благосостояния неоднородное коммунальное предприятие и улучшит использование доходов или бюджета.Мы эмпирически демонстрируем потенциальные преимущества персонализированного ценообразования в двух условиях: субсидирование ценообразования на плановую вакцину и влияние персонализированных процентных ставок на последующие результаты микрокредитования.

Вариационный метод моментов, с А. Беннеттом.

• arXiv Декабрь 2020.

• Abstract: Условная проблема моментов представляет собой мощную формулировку для описания структурных причинных параметров в терминах наблюдаемых, ярким примером которой является регрессия инструментальных переменных.Стандартный подход состоит в том, чтобы свести проблему к конечному набору условий маргинального момента и применить оптимально взвешенный обобщенный метод моментов (OWGMM), но для этого необходимо, чтобы мы знали конечный набор идентифицирующих моментов, все равно может быть неэффективным, даже если идентификация, или может быть громоздким и непрактичным, если мы воспользуемся растущим ситом моментов. Руководствуясь вариационным минимаксным переформулированием OWGMM, мы определяем очень общий класс оценок для условной проблемы моментов, которую мы называем вариационным методом моментов (VMM) и который, естественно, позволяет управлять бесконечно большим числом моментов.Мы предоставляем подробный теоретический анализ нескольких оценок VMM, в том числе на основе методов ядра и нейронных сетей, и обеспечиваем соответствующие условия, при которых эти оценки являются согласованными, асимптотически нормальными и полупараметрически эффективными в полной модели условных моментов. Это контрастирует с другими недавно предложенными методами решения условных проблем моментов на основе состязательного машинного обучения, которые не включают оптимальное взвешивание, не устанавливают асимптотическую нормальность и не являются полупараметрически эффективными.

DTR Bandit: Учимся принимать решения, адаптированные к ответу, с незначительным сожалением, с Ю. Ху.

• arXiv Май 2020 г.

• GitHub.

• Резюме: Динамические режимы лечения (DTR) — это персонализированные, адаптивные, многоступенчатые планы лечения, которые адаптируют решения о лечении как к начальным особенностям человека, так и к промежуточным результатам и особенностям на каждой последующей стадии, на которые влияют решения предыдущие этапы.Примеры включают персонализированные методы лечения хронических состояний, таких как диабет, рак и депрессию, первой и второй линий, которые адаптируются к реакции пациента на лечение первой линии, прогрессированию заболевания и индивидуальным характеристикам. В то время как существующая литература в основном сосредоточена на оценке оптимального DTR на основе автономных данных, таких как последовательные рандомизированные испытания, мы изучаем проблему разработки оптимального DTR в интерактивном режиме, когда взаимодействие с каждым человеком влияет как на нашу совокупную награду, так и на наш сбор данных для будущее обучение.Мы называем это проблемой бандитов DTR. Мы предлагаем новый алгоритм, который, тщательно балансируя исследование и эксплуатацию, гарантирует достижение оптимального по скорости сожаления, когда модели перехода и вознаграждения линейны. Мы демонстрируем наш алгоритм и его преимущества как в синтетических экспериментах, так и в тематическом исследовании адаптивного лечения большого депрессивного расстройства с использованием реальных данных.

Оптимальная оценка вне политики из нескольких политик журналирования, с Y.Сайто и М. Уэхара.

• arXiv October 2020.

• GitHub.

• Аннотация: Мы изучаем внеполитическую оценку (OPE) на основе нескольких политик регистрации, каждая из которых генерирует набор данных фиксированного размера, то есть стратифицированную выборку. В предыдущей работе было отмечено, что в этой настройке упорядочение дисперсий различных оценщиков выборки важности зависит от конкретного случая, что вызывает дилемму относительно того, какие веса выборки важности использовать. В этой статье мы решаем эту дилемму, находя оценку OPE для нескольких регистраторов с минимальной дисперсией для любого случая, т.е.е., работоспособный. В частности, мы устанавливаем границу эффективности при стратифицированной выборке и предлагаем оценку, позволяющую достичь этой границы при наличии согласованных q-оценок. Чтобы защититься от неправильного определения q-функций, мы также предоставляем способ выбора управляющей переменной в классе гипотез, чтобы минимизировать дисперсию. Обширные эксперименты демонстрируют преимущества эффективного использования наших методов стратифицированной выборки внеполитических данных из нескольких регистраторов.

Вдвойне надежная внеполитическая оценка ценности и градиента для детерминированных политик, с M.Уэхара.

Эффективная оценка естественных стохастических политик в автономном обучении с подкреплением, с М. Уэхара.

• arXiv Июнь 2020 г.

• GitHub.

• Аннотация: Мы изучаем эффективную внеполитическую оценку естественных стохастических политик, которые определяются в терминах отклонений от поведенческой политики. Это отход от литературы по внеполитической оценке, где в большинстве работ рассматривается оценка явно определенных политик.Важно отметить, что автономное обучение с подкреплением с естественными стохастическими политиками может помочь смягчить проблемы слабого перекрытия, привести к политикам, основанным на текущей практике, и улучшить реализуемость политик на практике. По сравнению с классическим случаем заранее заданной политики оценки, при оценке естественной стохастической политики граница эффективности, которая измеряет наиболее достижимую ошибку оценки, завышается, поскольку сама политика оценки неизвестна. В этой статье мы выводим границы эффективности двух основных типов естественных стохастических политик: политик наклона и модифицированных политик лечения.Затем мы предлагаем эффективные непараметрические оценки, которые достигают границ эффективности при очень слабых условиях. Они также обладают свойством (частичной) двойной устойчивости.

Оценка вне политики в обучении с подкреплением в бесконечном горизонте с латентными конфаундерами, с А. Беннеттом, Л. Ли и А. Мусави.

• Труды 24-й Международной конференции по искусственному интеллекту и статистике (AISTATS), 2021 г.

• arXiv июль 2020 г.

• Устный в AISTATS (3 & percnt;)

• Резюме: Внеполитическая оценка (OPE) в обучении с подкреплением является важной проблемой в условиях ограниченного экспериментирования, например образования и здравоохранение. Но в тех же самых условиях наблюдаемые действия часто смешиваются с ненаблюдаемыми переменными, что еще больше затрудняет OPE. Мы изучаем проблему OPE в эргодическом марковском процессе принятия решений с бесконечным горизонтом и с ненаблюдаемыми искажающими факторами, где состояния и действия могут выступать в качестве заместителей для ненаблюдаемых искажающих факторов.Мы покажем, как, учитывая только модель скрытых переменных для состояний и действий, значение политики можно определить на основе данных вне политики. Наш метод состоит из двух этапов. В первом мы показываем, как использовать прокси для оценки стационарных коэффициентов распределения, расширяя недавние работы по преодолению проклятия горизонта до запутанных условий. Во втором мы показываем, что оптимальная балансировка может быть объединена с такими изученными соотношениями для получения ценности политики, избегая при этом прямого моделирования функций вознаграждения. Мы устанавливаем теоретические гарантии согласованности и эмпирически проверяем наш метод.

О роли суррогатов в эффективной оценке эффектов лечения с ограниченными данными о результатах, с X. Мао.

• arXiv March 2020.

• Abstract: Мы изучаем проблему оценки эффектов лечения, когда результат, представляющий основной интерес (например, долгосрочное состояние здоровья), наблюдается редко, но имеется множество суррогатных наблюдений (например, короткие среднесрочные результаты по здоровью).Чтобы исследовать роль суррогатов в этих условиях, мы выводим нижние границы полупараметрической эффективности среднего лечебного эффекта (ATE) как с присутствием суррогатов, так и без них, а также несколько промежуточных параметров. Эти границы характеризуют максимально возможную точность оценки ATE в каждом случае, а их разница количественно определяет выигрыш в эффективности от оптимального использования суррогатов с точки зрения ключевых характеристик проблемы, когда доступны только ограниченные данные о результатах. Мы показываем, что эти результаты применимы в двух важных режимах: когда количество суррогатных наблюдений сопоставимо с наблюдениями за первичным исходом, и когда первое преобладает над вторым.Важно отметить, что мы применяем подход с отсутствующими данными, который позволяет обойти строгие суррогатные условия, которые обычно предполагаются в предыдущей литературе, но почти всегда терпят неудачу на практике. Чтобы показать, как повысить эффективность суррогатных наблюдений, мы предлагаем оценки ATE и методы вывода, основанные на гибких методах машинного обучения, для оценки мешающих параметров, которые появляются в функциях влияния. Мы показываем, что наши оценщики пользуются гарантиями эффективности и надежности в слабых условиях.

Confounding-Robust Policy Evaluation in Infinite-Horizon Reinforcement Learning, with A. Zhou.

Статистически эффективные градиенты вне политики, с М. Уэхара.

Эффективное извлечение уроков из политики суррогатной классификации потерь, с A.Беннетт.

Localized Debiased Machine Learning: Эффективный вывод о квантильных эффектах лечения и не только, с X. Mao и M. Uehara.

• arXiv Декабрь 2019 г.

• GitHub.

• Аннотация: Мы рассматриваем эффективную оценку параметра низкой размерности при наличии помех очень большой размерности, которые могут зависеть от интересующего параметра. Важным примером является квантильный эффект обработки (QTE) в причинно-следственном выводе, где эффективное уравнение оценки включает в качестве помех условное кумулятивное распределение, оцененное в квантиле, подлежащем оценке.Debiased машинное обучение (DML) — это подход к разделению данных для удовлетворения потребности в оценке неудобств с использованием гибких методов машинного обучения, которые могут не удовлетворять строгим условиям метрической энтропии, но его применение к задачам с помехами, зависящими от оценки и, потребует оценки слишком большого количества неудобств, чтобы будьте практичны. Для оценки QTE DML требует, чтобы мы изучили всю функцию условного кумулятивного распределения, что может быть проблематичным на практике и отличается от необходимости оценивать только две функции регрессии, как при эффективной оценке средних эффектов лечения.Вместо этого мы предлагаем локализованное обезличенное машинное обучение (LDML), новый трехсторонний подход к разделению данных, который позволяет избежать этого обременительного шага и требует только оценки неприятностей при единственном начальном неверном предположении для параметров. В частности, при условии ортогональности производной Фреше, мы показываем, что уравнение оценки оракула асимптотически эквивалентно уравнению, в котором помехи оцениваются по истинному значению параметра, и мы предлагаем стратегию нацеливания на эту альтернативную формулировку. В случае оценки QTE это включает в себя изучение только двух бинарных регрессионных моделей, для которых существует множество стандартных, проверенных временем методов машинного обучения.Мы доказываем, что при определенных условиях слабой скорости наша оценка имеет такое же благоприятное асимптотическое поведение, что и недопустимая оценка оракула, которая решает оценочное уравнение с истинными мешающими функциями.

Гладкие контекстные бандиты: преодоление параметрических и недифференцируемых режимов сожаления, с Ю. Ху и Х. Мао.

• Существенный пересмотр исследования операций.

• Труды 33-й конференции по теории обучения (COLT), 2020 (Расширенная аннотация).

• arXiv Сентябрь 2019 г.

• Финалист конкурса на лучшую работу Общества прикладной вероятности

• Аннотация: Мы изучаем непараметрическую контекстную бандитскую задачу, в которой ожидаемые функции вознаграждения принадлежат классу Гельдера с параметром гладкости β. Мы показываем, как это интерполируется между двумя крайностями, которые ранее изучались изолированно: недифференцируемые бандиты (β & leq; 1), где оптимальное по скорости сожаление достигается за счет запуска отдельных неконтекстных бандитов в разных контекстных областях, и бандиты с параметрическим ответом ( β = ∞), где оптимальная скорость сожаления может быть достигнута с минимальным исследованием или без него из-за бесконечной экстраполяции.Мы разрабатываем новый алгоритм, который тщательно подстраивается под все настройки плавности, и доказываем, что его сожаление является оптимальным по скорости, устанавливая совпадающие верхнюю и нижнюю границы, восстанавливая существующие результаты на двух крайних точках. В этом смысле наша работа устраняет разрыв между существующей литературой по параметрическим и недифференцируемым контекстным проблемам бандитов и между бандитскими алгоритмами, которые используют исключительно глобальную или локальную информацию, проливая свет на решающее взаимодействие сложности и сожаления в контекстуальных бандитах.

Эффективное преодоление проклятия горизонта в оценке вне политики с помощью обучения с двойным подкреплением, с М. Уехара.

Обучение с двойным подкреплением для эффективной внеполитической оценки в марковских процессах принятия решений, с М. Уехара.

• Журнал исследований в области машинного обучения (JMLR), 21 (167): 1-63, 2020.

• Труды 37-й Международной конференции по машинному обучению (ICML), 2020 (предварительная версия).

• arXiv Август 2019 г.

• GitHub.

• Аннотация: Оценка вне политики (OPE) в обучении с подкреплением позволяет оценивать новые политики принятия решений без необходимости проведения исследования, которое часто является дорогостоящим или неосуществимым по иным причинам. Мы впервые рассматриваем полупараметрические пределы эффективности OPE в марковских процессах принятия решений (MDP), где действия, вознаграждения и состояния не имеют памяти.Мы показываем, что существующие оценки OPE могут оказаться неэффективными в этой ситуации. Мы разрабатываем новую оценку, основанную на перекрестной оценке q-функций и коэффициентов маргинальной плотности, которую мы называем обучением с двойным подкреплением (DRL). Мы показываем, что DRL эффективен, когда оба компонента оцениваются на уровне корня четвертой степени, а также является вдвойне устойчивым, когда согласован только один компонент. Мы исследуем эти свойства эмпирически и демонстрируем преимущества в производительности за счет эффективного использования без памяти.

Оценка алгоритмической справедливости с ненаблюдаемым защищенным классом с использованием комбинации данных, с X. Mao и A. Zhou.

• Management Science, 2020.

• Труды 3-й конференции ACM по справедливости, подотчетности и прозрачности (FAccT), 110, 2020 (Расширенная аннотация).

• arXiv Июнь 2019 г.

• GitHub.

• Аннотация: Возрастающее влияние алгоритмических решений на жизнь людей заставляет нас тщательно исследовать их справедливость и, в частности, разное влияние, которое якобы дальтоники алгоритмы могут оказывать на разные группы.Примеры включают принятие кредитных решений, прием на работу, рекламу, уголовное правосудие, персонализированную медицину и целенаправленное формирование политики, когда в некоторых случаях существуют законодательные или нормативные рамки для справедливости и определяют конкретные защищенные классы. В этой статье мы изучаем фундаментальную проблему оценки разнородных воздействий на практике: принадлежность к защищенному классу часто не отражается в данных. Это особенно проблема в кредитовании и здравоохранении. Мы рассматриваем возможность использования вспомогательного набора данных, такого как перепись США, который включает метки классов, но не решения или результаты.Мы показываем, что различные общие меры неравенства, как правило, не поддаются идентификации, если не считать некоторых нереалистичных случаев, что дает новый взгляд на задокументированные предубеждения популярных методов на основе прокси. Мы предоставляем точные характеристики наиболее точного возможного набора частичной идентификации несоответствий либо без каких-либо предположений, либо когда мы включаем умеренные ограничения гладкости. Мы также предлагаем алгоритмы на основе оптимизации для вычисления и визуализации этих наборов, которые позволяют проводить надежные и надежные оценки — важный инструмент, когда оценка несоответствия может иметь далеко идущие последствия для политики.Мы демонстрируем это на двух тематических исследованиях с реальными данными: ипотечное кредитование и индивидуальное дозирование лекарств.

Объединение данных в стохастической оптимизации, с В. Гупта.

Более эффективное изучение политики с помощью оптимального ретаргетинга.

• Журнал Американской статистической ассоциации (JASA), 2020, специальный выпуск о точной медицине и открытии индивидуальной политики.

• arXiv Июнь 2019 г.

• GitHub.

• Выбран в качестве дискуссионного документа JASA

• Резюме: Политическое обучение можно использовать для извлечения индивидуализированных режимов лечения из данных наблюдений в здравоохранении, гражданском праве, электронной коммерции и не только. Одним из серьезных препятствий на пути изучения политики является обычное отсутствие дублирования данных по различным действиям, что может привести к громоздкой оценке политики и плохой реализации усвоенных политик.Мы изучаем решение этой проблемы на основе ретаргетинга, то есть изменения популяции, для которой оптимизирована политика. Сначала мы утверждаем, что на уровне популяции ретаргетинг может практически не вызывать смещения. Затем мы охарактеризуем оптимальные веса центрирования и перенацеливания эталонной политики как для двоичных, так и для многодействующих параметров. Мы делаем это с точки зрения асимптотической эффективной дисперсии оценки новой цели обучения. Мы также рассматриваем регуляризацию смещения. Обширные эмпирические результаты имитационного исследования и тематического исследования целевого консультирования по вопросам работы демонстрируют, что ретаргетинг — это довольно простой способ значительно улучшить любую процедуру изучения политики.

Минимаксно-оптимальное обучение политике при ненаблюдаемом вмешательстве, с А. Чжоу.

• Наука управления, Предварительные статьи, 2020.

• arXiv May 2018.

• GitHub.

• Победитель конкурса INFORMS 2018 Data Mining Best Paper Award

• 2-е место в конкурсе работ INFORMS 2018 Junior Faculty Interest Group (JFIG)

• Резюме: Мы изучаем проблему обучения персонализированной политике принятия решений на основе данных наблюдений принимая во внимание возможные ненаблюдаемые искажения.Предыдущие подходы, которые предполагали необоснованность, то есть отсутствие ненаблюдаемых искажающих факторов, влияющих как на назначение лечения, так и на результат, могут привести к политике, которая вносит вред, а не пользу, когда присутствует некоторая ненаблюдаемая искажающая информация, как это обычно бывает с данными наблюдений. Вместо этого, поскольку ценность политики и сожаление могут не быть точными, мы изучаем метод, который минимизирует наихудшее оценочное сожаление о кандидатской политике по сравнению с базовой политикой по неопределенности, установленной для весов склонности, которая контролирует степень ненаблюдаемого искажения.Мы доказываем гарантии обобщения, которые гарантируют, что наша политика безопасна при применении на практике и фактически обеспечивает максимально возможный единообразный контроль над диапазоном всех возможных сожалений населения, которые согласуются с возможной степенью смешения. Мы разрабатываем эффективные алгоритмические решения для вычисления этой минимаксно-оптимальной политики. Наконец, мы оцениваем и сравниваем наши методы на синтетических и полусинтетических данных. В частности, мы рассматриваем тематическое исследование персонализированной заместительной гормональной терапии, основанное на данных наблюдений, в котором мы подтверждаем наши результаты в рандомизированном эксперименте.Мы демонстрируем, что скрытые искажения могут препятствовать существующим подходам к изучению политики и приводить к неоправданному ущербу, хотя наш надежный подход гарантирует безопасность и фокусируется на очевидных улучшениях, что необходимо для того, чтобы персонализированные стратегии лечения, извлеченные из данных наблюдений, были надежными на практике.

Границы обобщения и обучение репрезентативности для оценки потенциальных результатов и причинных эффектов, совместно с Ф. Йоханссоном, У.Шалит, Д. Зонтаг.

• arXiv Январь 2020.

• Резюме: Практики в различных областях, таких как здравоохранение, экономика и образование, стремятся применять машинное обучение для улучшения процесса принятия решений. Стоимость и непрактичность проведения экспериментов и недавний колоссальный рост электронного учета привлекли внимание к проблеме оценки решений, основанных на неэкспериментальных данных наблюдений. Это постановка этой работы.В частности, мы изучаем оценку причинно-следственных эффектов на индивидуальном уровне, таких как реакция отдельного пациента на альтернативные лекарства, исходя из записанных контекстов, решений и результатов. Мы даем обобщающие границы ошибки в оценках эффектов на основе измерений расстояния между группами, получающими разное лечение, с учетом повторного взвешивания выборки. Мы предоставляем условия, при которых наша граница является жесткой, и показываем, как это соотносится с результатами неконтролируемой адаптации домена. Руководствуясь нашими теоретическими результатами, мы разрабатываем алгоритмы обучения репрезентации, которые сводят к минимуму наши границы, за счет регуляризации индуцированного репрезентации расстояния группы лечения и поощряют обмен информацией между группами лечения.Мы расширяем эти алгоритмы, чтобы одновременно изучать взвешенное представление, чтобы еще больше сократить расстояния между группами лечения. Наконец, экспериментальная оценка реальных и синтетических данных показывает ценность предлагаемой нами архитектуры представления и схемы регуляризации.

Внутренне эффективная, стабильная и ограниченная вне-политическая оценка обучения с подкреплением, с М. Уехара.

Справедливость оценок риска за пределами классификации: двусторонний рейтинг и метрика xAUC, с A.Чжоу.

Глубоко обобщенный метод моментов для инструментального анализа переменных, с А. Беннеттом и Т. Шнабелем.

Оценка разнородных воздействий персонализированных вмешательств: идентификация и границы, с А. Чжоу.

Оценка политики с использованием скрытых факторов противоречия посредством оптимального баланса, с А. Беннеттом.

Комментарий: Энтропийное обучение для динамических режимов лечения.

• Statistica Sinica, 29 (4): 1697—1705, 2019.

• arXiv April 2020.

• Abstract: Поздравляю проф. Биньян Цзян, Руи Сонг, Цзялян Ли и Донглин Цзэн (JSLZ) за захватывающий опыт в проведении выводов об оптимальных динамических режимах лечения (DTR), полученных путем минимизации эмпирического риска с использованием потери энтропии в качестве суррогата. Подход JSLZ использует оценку значения данного правила принятия решений по принципу отклонения и выборки по важности на основе взвешивания с обратной вероятностью (IPW) и его интерпретации как взвешенной (или чувствительной к стоимости) классификации.Использование суррогатов гладкой классификации позволяет им осторожно подходить к анализу асимптотических распределений. Однако даже для целей оценки оценка IPW проблематична, поскольку приводит к весам, которые отбрасывают большую часть данных и чрезвычайно изменчивы для всего, что остается. В этом комментарии я обсуждаю основанную на оптимизации альтернативу оценке DTR, рассматриваю несколько связей и предлагаю дальнейшие шаги. Это расширяет сбалансированный подход к оценке политики Каллуса (2018a) на лонгитюдную настройку.

DeepMatch: балансировка глубоких ковариантных представлений для причинного вывода с использованием состязательного обучения.

Классификация респондеров на лечение по монотонности причинного эффекта.

• Труды 36-й Международной конференции по машинному обучению (ICML), 97: 3201—3210, 2019 г.

• arXiv Февраль 2019 г.

• GitHub.

• Abstract: В контексте причинно-следственного вывода на индивидуальном уровне мы изучаем проблему прогнозирования того, отреагирует ли кто-то на лечение или нет, на основе его особенностей и прошлых примеров особенностей, индикатора лечения (например,g., лекарство / отсутствие лекарства) и бинарный результат (например, выздоровление от болезни). Как задача классификации, проблема усложняется тем, что неизвестны примеры результатов по противоположным показателям лечения. Мы предполагаем, что эффект является монотонным, как эффект рекламы на покупку или эффект внесения залога на повторную явку в суд: либо это произошло бы независимо от лечения, не произошло бы независимо, либо произошло бы только в зависимости от воздействия лечения. Наша цель — предсказать, имеет ли последнее скрытое значение.В то время как предыдущая работа была сосредоточена на оценке условного среднего эффекта лечения, формулировка проблемы как задачи классификации, а не как задачи оценки, позволяет нам разработать новые инструменты, более подходящие для этой проблемы. Используя монотонность, мы разрабатываем новые дискриминативные и генеративные алгоритмы для задачи классификации респондентов. Мы исследуем и обсуждаем связи с поврежденными данными и изучением политик. Мы проводим эмпирическое исследование как с синтетическими, так и с реальными наборами данных, чтобы сравнить эти специализированные алгоритмы со стандартными тестами.

Поразительно-надежное улучшение политики, с А. Чжоу.

• Труды 32-й конференции по системам обработки нейронной информации (NeurIPS), 9289-9299, 2018.

• arXiv May 2018.

• GitHub.

• Abstract: Мы изучаем проблему обучения персонализированной политике принятия решений на основе данных наблюдений с учетом возможных ненаблюдаемых искажений в процессе генерации данных.В отличие от предыдущих подходов, которые предполагали необоснованность, то есть отсутствие ненаблюдаемых искажающих факторов, влияющих как на назначение лечения, так и на результаты, мы калибруем изучение политики для реалистичных нарушений этого непроверяемого предположения с помощью наборов неопределенностей, мотивированных анализом чувствительности в причинно-следственных выводах. Наша основа для улучшения сомнительно-устойчивой политики оптимизирует минимаксное сожаление о кандидатуре политики по сравнению с базовой или эталонной политикой «статус-кво» в отношении неопределенности, установленной вокруг номинальных весов склонности.Мы доказываем, что если набор неопределенностей четко определен, надежное изучение политики может работать не хуже, чем базовый уровень, и улучшаться только в том случае, если данные подтверждают это. Мы описываем состязательную подзадачу и используем эффективные алгоритмические решения для оптимизации параметризованных пространств политик принятия решений, таких как назначение логистической обработки. Мы оцениваем наши методы на синтетических данных и большом клиническом испытании, демонстрируя, что ошибочный отбор может помешать изучению политики и привести к неоправданному ущербу, в то время как наш надежный подход гарантирует безопасность и ориентирован на очевидные улучшения.

Удаление скрытых искажений путем экспериментального обоснования, с А. М. Пули и У. Шалитом.

• Труды 32-й конференции по системам обработки нейронной информации (NeurIPS), 10911-10920, 2018.

• arXiv October 2018.

• GitHub.

• В центре внимания NeurIPS (3.5 & percnt;)

• Резюме: Данные наблюдений все чаще используются как средство для прогнозирования причинно-следственных связей на индивидуальном уровне и рекомендаций по вмешательству.Основная проблема причинного вывода из данных наблюдений — это скрытые искажения, наличие которых не может быть проверено в данных и может опровергнуть любой причинный вывод. Экспериментальные данные не противоречат друг другу, но обычно ограничены как по объему, так и по масштабу. Мы представляем новый метод использования ограниченных экспериментальных данных для исправления скрытых искажений в моделях причинно-следственных связей, обученных на более крупных данных наблюдений, даже если данные наблюдений не полностью совпадают с экспериментальными данными.Наш метод делает строго более слабые предположения, чем существующие подходы, и мы доказываем условия, при которых наш метод дает непротиворечивую оценку. Мы демонстрируем эффективность нашего метода, используя реальные данные большого образовательного эксперимента.

Сбалансированная оценка политики и обучение.

• Труды 32-й конференции по системам обработки нейронной информации (NeurIPS), 8909–8920, 2018.

• arXiv May 2017.

• Аннотация: Мы представляем новый подход к проблемам оценки и изучения персонализированной политики принятия решений на основе данных наблюдений за прошлыми контекстами, решениями и результатами. Доступен только результат принятого решения, а историческая политика неизвестна. Эти проблемы возникают в персонализированной медицине с использованием электронных медицинских карт и в интернет-рекламе. Существующие подходы используют взвешивание обратной склонности (или, вдвойне надежные версии), чтобы данные за прошлые периоды (или остаточные) выглядели так, как будто они были созданы в результате оценки или изучения новой политики.Но это основано на подходе плагина, который отклоняет точки данных с решением, которое не согласуется с новой политикой, что приводит к высоким оценкам дисперсии и неэффективному обучению. Мы предлагаем новый подход, основанный на балансе, который также делает данные похожими на новую политику, но делает это напрямую, находя веса, которые оптимизируют баланс между взвешенными данными и целевой политикой в ​​данной конечной выборке, что эквивалентно минимизации наихудшая или апостериорная условная среднеквадратическая ошибка. Наш изучающий политику рассматривает двухуровневую задачу оптимизации политик и весов.Мы демонстрируем, что этот подход заметно превосходит существующие как в оценке, так и в обучении, что неудивительно, учитывая более широкую поддержку весов, основанных на балансе. Мы устанавливаем обширные гарантии теоретической согласованности и границы сожаления, которые поддерживают этот эмпирический успех.

Причинный вывод с зашумленными и отсутствующими ковариатами посредством матричной факторизации, с X. Мао и М. Уделлом.

• Труды 32-й конференции по системам обработки нейронной информации (NeurIPS), 6921-6932, 2018.

• arXiv Июнь 2018 г.

• GitHub.

• Abstract: Достоверный причинный вывод в обсервационных исследованиях часто требует учета искажающих факторов. Однако на практике измерения искажающих факторов могут быть зашумленными и могут привести к необъективным оценкам причинных эффектов. Мы показываем, что мы можем уменьшить смещение, вызванное шумом измерения, используя большое количество зашумленных измерений лежащих в основе искажающих факторов. Мы предлагаем использовать матричную факторизацию для вывода искажающих факторов из зашумленных ковариат, гибкую и принципиальную структуру, которая адаптируется к отсутствующим значениям, вмещает широкий спектр типов данных и может дополнять многие методы причинного вывода.Мы ограничили ошибку для оценки индуцированного среднего эффекта лечения и показали, что она согласована в настройке линейной регрессии, используя предварительную обработку завершения матрицы экспоненциального семейства. Мы демонстрируем эффективность предложенной процедуры в численных экспериментах как с синтетическими данными, так и с реальными клиническими данными.

Справедливость в условиях незнания: оценка неравенства, когда защищенный класс не наблюдается, с Дж. Ченом, X. Мао, Г. Свачей и М.Уделл.

• Материалы 2-й конференции ACM по справедливости, подотчетности и прозрачности (FAccT), 339–348, 2019 г.

• arXiv ноябрь 2018 г.

• GitHub.

• Аннотация: Оценка справедливости системы принятия решений в отношении защищенного класса, такого как пол или раса, осложняется невозможностью соблюдать ярлыки членства в классе по юридическим или оперативным причинам. Вероятностные модели для прогнозирования защищенного класса на основе наблюдаемых прокси-переменных, таких как фамилия и геолокация для расы, иногда используются для вменения этих недостающих меток.Известно, что такие методы используются государственными регулирующими органами и, как было замечено, преувеличивают неравенство. Причина неизвестна, как и всегда ли завышенная оценка. Мы разделяем смещение оценки несоответствия результатов с помощью существующего метода вменения на основе пороговых значений на несколько интерпретируемых источников смещения, которые объясняют, когда происходит переоценка или недооценка. Мы также предлагаем альтернативную взвешенную оценку, которая использует правила мягкой классификации, а не жесткое вменение, и показываем, что ее систематическая ошибка возникает просто из-за условной ковариации результата с истинной принадлежностью к классу.Мы проиллюстрируем наши результаты численным моделированием, а также приложением к набору данных ипотечных заявок, используя геолокацию в качестве прокси для гонки. Мы подтверждаем, что систематическая ошибка при вменении на основе пороговых значений обычно в сторону увеличения; однако его величина сильно зависит от выбранного порогового значения из-за сложного взаимодействия множества источников систематической ошибки, выявленных нашим теоретическим анализом. Наша новая взвешенная оценка имеет тенденцию иметь отрицательную систематическую ошибку, которую гораздо проще анализировать и обдумывать.

Интервальная оценка причинных эффектов на индивидуальном уровне при ненаблюдаемых искажениях, с X. Мао и А. Чжоу.

• Материалы 22-й Международной конференции по искусственному интеллекту и статистике (AISTATS), 89: 2281—2290, 2019.

• arXiv October 2018.

• Abstract: Мы изучаем проблему условного обучения усредненные эффекты лечения (CATE) по данным наблюдений с ненаблюдаемыми искажающими факторами.Функция CATE сопоставляет базовые ковариаты с индивидуальными прогнозами причинных эффектов и является ключом к персонализированной оценке. Недавняя работа была сосредоточена на том, как изучать CATE в условиях необоснованности, то есть когда нет ненаблюдаемых искажающих факторов. Поскольку CATE нельзя идентифицировать при нарушении несостоятельности, мы разрабатываем функциональную интервальную оценку, которая предсказывает границы отдельных причинных эффектов при реальных нарушениях несостоятельности. Наша оценка принимает форму взвешенной ядерной оценки с весами, которые изменяются противоборствующим образом.Мы доказываем, что наша оценка точна в том смысле, что она сходится точно к максимально точным границам CATE, когда могут быть ненаблюдаемые искажающие факторы. Кроме того, мы изучаем персонализированные правила принятия решений, полученные на основе нашей оценки, и доказываем, что они асимптотически обеспечивают оптимальное минимаксное сожаление. Мы оцениваем наш подход в имитационном исследовании, а также демонстрируем его применение в случае заместительной гормональной терапии, сравнивая выводы реального наблюдательного исследования и клинического испытания.

Остаточная несправедливость в честном машинном обучении на основе предвзятых данных, с А.Чжоу.

• Труды 35-й Международной конференции по машинному обучению (ICML), 80: 2439-2448, 2018.

• arXiv июнь 2018.

• Резюме: Недавняя работа по справедливости в области машинного обучения предложена корректировка на справедливость путем уравнивания показателей точности по группам, а также изучение того, как наборы данных, затронутые историческими предрассудками, могут привести к политике несправедливых решений. Мы соединяем эти направления работы и изучаем остаточную несправедливость, которая возникает, когда предсказатель с поправкой на справедливость на самом деле не справедлива по отношению к целевой группе из-за систематической цензуры данных обучения существующими предвзятыми политиками.Этот сценарий особенно часто встречается в тех же приложениях, где важна справедливость. Мы теоретически охарактеризуем влияние такой цензуры на стандартные показатели справедливости для бинарных классификаторов и дадим критерии того, когда остаточная несправедливость может проявиться или не проявиться. Мы доказываем, что при определенных условиях классификаторы, скорректированные на справедливость, на самом деле будут вызывать остаточную несправедливость, которая увековечивает те же несправедливости по отношению к тем же группам, которые изначально искажали данные, тем самым показывая, что даже современная справедливая машина обучение может иметь свойство «предвзятость, предвзятость».Когда доступны определенные контрольные данные, мы показываем, как повторное взвешивание выборки может оценивать и корректировать показатели справедливости с учетом цензуры. Мы используем это, чтобы изучить случай Stop, Question и Frisk (SQF) и продемонстрировать, что попытка внести поправку на справедливость увековечивает ту же несправедливость, которой печально известна политика.

Оценка политики и оптимизация с непрерывным лечением, с А. Чжоу.

• Труды 21-й Международной конференции по искусственному интеллекту и статистике (AISTATS), 84: 1243-1251, 2018.

• arXiv Февраль 2018 г.

• GitHub.

• Финалист, лучший доклад INFORMS 2017, семинар по интеллектуальному анализу данных и аналитике решений

• Резюме: Мы изучаем проблему оценки политики и обучения на основе пакетных контекстных бандитских данных, когда лечение является непрерывным, что выходит за рамки предыдущей работы по дискретному лечению . Предыдущая работа для дискретных пространств обработки / действий была сосредоточена на методах обратного взвешивания вероятностей (IPW) и двойных надежных (DR) методах, которые используют подход отбраковки выборки для оценки и эквивалентную задачу взвешенной классификации для обучения.В непрерывном режиме это сокращение не удается, поскольку мы почти наверняка отвергнем все наблюдения. Чтобы справиться со случаем непрерывного лечения, мы расширяем подходы IPW и DR к непрерывной настройке, используя функцию ядра, которая использует близость лечения для ослабления дискретного отклонения. Наша оценка политики последовательна, и мы характеризуем оптимальную пропускную способность. Получающийся в результате подход непрерывного оптимизатора политики (CPO) с использованием нашего средства оценки позволяет достичь конвергентного сожаления и приблизиться к лучшей в своем классе политике для обучаемых классов политик.Мы демонстрируем, что оценщик работает хорошо и, в частности, превосходит тест, основанный на дискретизации. Мы дополнительно изучаем эффективность нашего оптимизатора политики в тематическом исследовании персонализированного дозирования на основе набора данных о пациентах с варфарином, их ковариатах и ​​окончательных терапевтических дозах. Наша изученная политика превосходит тесты и приближается к линейной политике Oracle Best.

Бандиты с орудиями труда.

Более надежная оценка среднего эффекта лечения выборки с использованием оптимального соответствия ядра в наблюдательном исследовании хирургических вмешательств на позвоночнике, с Б. Пенникуком и М. Сантакаттериной.

Оптимальный баланс зависящих от времени искажающих факторов для маргинальных структурных моделей, с М. Сантакаттериной.

• arXiv Июнь 2018 г.

• GitHub.

• Abstract: Маргинальные структурные модели (МСМ) оценивают причинный эффект изменяющегося во времени лечения при наличии зависящего от времени смешения с помощью взвешенной регрессии.Стандартный подход с использованием обратной вероятности взвешивания по лечению (IPTW) может привести к оценкам с высокой дисперсией из-за экстремальных весов и быть чувствительным к неправильной спецификации модели. Для частичного решения этой проблемы были предложены различные методы, в том числе усечение и стабилизированный IPTW для смягчения экстремальных весов и ковариативный показатель склонности к балансировке (CBPS) для устранения ошибок спецификации модели лечения. В этой статье мы представляем Kernel Optimal Weighting (KOW), подход, основанный на выпуклой оптимизации, который находит веса для подгонки MSM, которые оптимально уравновешивают зависящие от времени искажающие факторы, одновременно контролируя точность, напрямую устраняя указанные выше ограничения.KOW напрямую минимизирует ошибку в оценке из-за зависящего от времени смешения с помощью новой декомпозиции как функционала. Мы также расширяем KOW для контроля информативной цензуры. Мы оцениваем производительность KOW в исследовании моделирования, сравнивая его с IPTW, стабилизированным IPTW и CBPS. Мы демонстрируем использование KOW при изучении влияния начала лечения на время до смерти среди людей, живущих с ВИЧ, и влияние негативной рекламы на выборы в США.

Изучение взвешенных представлений для обобщения различных дизайнов, с F.Йоханссон, У. Шалит и Д. Зонтаг.

• arXiv Февраль 2018.

• Abstract: Прогностические модели, которые хорошо обобщаются при сдвиге распределения, часто желательны, а иногда и важны для создания устойчивых и надежных приложений машинного обучения. Мы фокусируемся на распределительном сдвиге, который возникает при причинном выводе из данных наблюдений и при неконтролируемой адаптации предметной области. Мы ставим обе эти проблемы как предсказание при изменении дизайна. Популярные методы преодоления сдвига в распределении делают нереалистичные предположения, такие как наличие четко определенной модели или знание политики, которая привела к получению наблюдаемых данных.Другим методам мешает необходимость в заранее заданной метрике для сравнения наблюдений или плохие асимптотические свойства. Мы разрабатываем предел ошибки обобщения при сдвиге дизайна, включая обучение представлению и повторное взвешивание выборки. Основываясь на оценке, мы предлагаем алгоритмическую структуру, которая не требует каких-либо из вышеперечисленных предположений и является асимптотически непротиворечивой. Мы эмпирически изучаем новую структуру, используя два синтетических набора данных, и демонстрируем ее эффективность по сравнению с предыдущими методами.

Рекурсивное разбиение для персонализации с использованием данных наблюдений.

• Труды 34-й Международной конференции по машинному обучению (ICML), 70: 1789-1798, 2017.

• arXiv август 2016.

• Победитель, лучший доклад INFORMS 2016 Data Mining and Decision Analytics Мастерская

• Аннотация: Изучается проблема обучения выбору из m дискретных вариантов лечения (напр.g., новость или медицинское лекарство) с наилучшим причинным эффектом для конкретного случая (например, пользователя или пациента), где обучающие данные состоят из пассивных наблюдений за ковариатами, лечением и результатом лечения. Стандартный подход к этой проблеме — регрессия и сравнение: разделить обучающие данные по обработкам, подогнать регрессионную модель к каждому разделению и, для нового случая, спрогнозировать все m результатов и выбрать лучший. Переформулируя проблему как отдельную обучающую задачу, а не m отдельных задач, мы предлагаем новый подход, основанный на рекурсивном разделении данных на режимы, в которых различные методы лечения являются оптимальными.Мы расширяем этот подход до оптимального подхода к разделению, который находит глобально оптимальное разделение, обеспечивая компактную, интерпретируемую и эффективную модель персонализации. Мы разрабатываем новые инструменты для проверки и оценки моделей персонализации на основе данных наблюдений и используем их, чтобы продемонстрировать силу наших новых подходов в персонализированной медицине и приложении для профессионального обучения.

Обобщенные методы оптимального сопоставления для причинного вывода.

• Journal of Machine Learning Research (JMLR), 21 (62): 1-54, 2020.

• arXiv December 2016.

• Abstract: Мы разрабатываем всеобъемлющую структуру и теорию для сопоставления и связанные методы причинно-следственного вывода, которые раскрывают связи и мотивы, лежащие в основе различных существующих методов, и приводят к появлению новых и улучшенных. Структура представлена ​​путем обобщения новой функционально-аналитической характеристики оптимального согласования как минимизации условной среднеквадратичной ошибки в наихудшем случае с учетом наблюдаемых данных, основанных на конкретных ограничениях и предположениях.Обобщая их, мы получаем новый класс методов обобщенного оптимального соответствия (GOM), для которого мы обеспечиваем единую теорию управляемости и согласованности, которая в целом применима к GOM. Многие широко используемые существующие методы включены в GOM, и, используя их интерпретацию GOM, мы расширяем их до новых методов, которые разумно и автоматически приводят к компромиссу с отклонением и превосходят свои стандартные аналоги. В качестве подкласса GOM мы разрабатываем оптимальное сопоставление ядра, которое, как подтверждается новой теорией, отличается сочетанием интерпретируемости методов сопоставления, непараметрической согласованности оптимального сопоставления без модели, эффективности четко определенной регрессии, разумный выбор размера выборки методов ограничения монотонного дисбаланса, двойная надежность расширенных весовых оценок обратной склонности и гибкость выбора модели регрессии гауссовского процесса.Мы обсуждаем связи и нелинейные обобщения равнопроцентного снижения смещения и его разветвления.

Динамическая персонализация ассортимента в больших измерениях, с М. Уделлом.

• Operations Research, 68 (4): 965—1284, 2020.

• arXiv October 2016.

• Abstract: Мы демонстрируем важность структурных приоритетов для эффективного и действенного крупномасштабного динамического ассортимента персонализация.Персонализация ассортимента — это проблема выбора для каждого отдельного или потребительского сегмента (типа) наилучшего ассортимента продуктов, рекламы или других предложений (предметов) с целью максимизации дохода. Эта проблема является центральной для управления доходами в электронной коммерции, онлайн-рекламе и обычной розничной торговле с несколькими точками, где и товары, и типы могут исчисляться от тысяч к миллионам. Эффективность данных имеет первостепенное значение в этой крупномасштабной среде. Хорошая стратегия персонализации должна динамически балансировать между необходимостью изучать предпочтения потребителей и максимизировать доход.\
  Мы формулируем задачу динамической персонализации ассортимента как дискретно-контекстного бандита с контекстами / m / (типы покупателей) и множеством вооружений (ассортименты товаров / n /). Мы предполагаем, что предпочтения каждого типа следуют простой параметрической модели с параметрами / n /. В целом существует / mn / параметров, и в существующей литературе предлагается упорядочить оптимальные шкалы сожалений как / mn /. Однако эта цифра на порядки превышает данные, доступные в крупномасштабных приложениях, и вызывает неприемлемо высокое сожаление.\
  В этой статье мы налагаем естественную структуру на задачу \ — малую скрытую размерность или низкий ранг. В статической обстановке мы показываем, что эту модель можно эффективно изучить на удивительно небольшом количестве взаимодействий, используя алгоритм оптимизации, эффективный по времени и памяти, который глобально сходится всякий раз, когда модель обучается. В динамической обстановке мы показываем, что персонализация динамического ассортимента с учетом структуры может вызвать сожаление, которое на порядок меньше, чем подходы без учета структуры.Мы подтверждаем наши теоретические результаты эмпирически.

Оптимальный априорный баланс при разработке контролируемых экспериментов.

• Журнал Королевского статистического общества: Серия B (Статистическая методология), 81 (1): 85–112, 2018.

• arXiv Декабрь 2013 г.

• Код.

• Аннотация: Мы разрабатываем единую теорию планов для контролируемых экспериментов, которые уравновешивают исходные ковариаты априори (до лечения и до рандомизации), используя структуру минимаксной дисперсии и новый метод, называемый распределением ядра.Мы показываем, что любое понятие априорного баланса должно идти рука об руку с понятием структуры, поскольку без структуры зависимости результатов от базовых ковариат полная рандомизация (без специального ковариатного баланса) всегда минимаксно оптимальна. Ограничение структуры зависимости, параметрически или непараметрически, приводит к определенным метрикам ковариатного дисбаланса и оптимальным планам. Это восстанавливает многие популярные показатели дисбаланса и схемы, ранее разработанные специально для этого случая, включая рандомизированные схемы блоков, попарно согласованное распределение и повторную рандомизацию.Мы разрабатываем новый метод проектирования, называемый распределением ядра, на основе оптимального проекта, когда структура выражается с помощью ядер, которые могут быть параметрическими или непараметрическими. Опираясь на современные методы оптимизации, распределение ядра, которое обеспечивает почти идеальный ковариационный баланс без искажения оценок при неправильной спецификации модели, предлагает значительные преимущества в точности и мощности, что продемонстрировано на ряде реальных и синтетических примеров. Мы предоставляем строгие теоретические гарантии дисперсии, согласованности и скорости сходимости, а также разрабатываем специальные алгоритмы для проектирования и проверки гипотез.

Сила и ограничения прогнозных подходов к оптимизации на основе данных наблюдений, с Д. Берцимасом.

• arXiv May 2016.

• Abstract: Хотя принятие решений на основе данных трансформирует современные операции, большинство крупномасштабных данных имеют наблюдательный характер, например записи транзакций. Эти данные создают уникальные проблемы в различных операционных задачах, представляемых задачами стохастической оптимизации, включая ценообразование и управление запасами, когда необходимо оценить влияние решения, такого как цена или количество заказа, на неопределенную переменную стоимости / вознаграждения, такую ​​как спрос, основанный на исторических данных, когда решение и результат могут быть ошибочными.Часто в данных отсутствуют характеристики, необходимые для обеспечения надежной оценки причинно-следственных связей, и / или необходимые сильные допущения могут быть сомнительными. Тем не менее, общепринятая практика состоит в том, чтобы присвоить решению объективное значение, равное наилучшему прогнозу стоимости / вознаграждения, учитывая наблюдение решения в данных. Хотя в общих условиях такая идентификация является ложной, для целей оптимизации имеет значение только объективная ценность окончательного решения, а не валидность какой-либо модели, использованной для его принятия.В этой статье мы формализуем это утверждение в случае оптимизации на основе данных наблюдений и изучаем как мощность, так и ограничения прогнозных подходов к оптимизации, основанной на данных наблюдений, с особым акцентом на ценообразование. Мы обеспечиваем строгие границы пробелов оптимальности таких подходов, даже когда оптимальные решения не могут быть определены на основе данных. Чтобы изучить потенциальные пределы прогностических подходов в реальных наборах данных, мы разрабатываем новый тест гипотез для объективной оптимальности причинно-следственных связей.Применяя его к данным об установлении процентных ставок, мы эмпирически демонстрируем, что прогнозные подходы могут быть эффективными на практике, но с некоторыми критическими ограничениями.

От прогнозной к предписывающей аналитике, с Д. Берцимасом.

• Management Science, 66 (3): 1025-1044, 2020.

• arXiv February 2014.

• Финалист конкурса POMS Applied Research Challenge 2016

• Аннотация: В этой статье мы объединить идеи машинного обучения (ML) и исследований операций и науки об управлении (OR \ / MS) в разработке структуры, наряду с конкретными методами, для использования данных для предписания решений в OR \ / MS проблемах.В отличие от другой работы по оптимизации на основе данных и отражая наш практический опыт работы с данными, доступными в приложениях OR \ / MS, мы рассматриваем данные, состоящие не только из наблюдений за величинами, имеющими прямое влияние на затраты / доходы, например спрос или возврат, но преимущественно из наблюдений за соответствующими вспомогательными величинами. Основная проблема, представляющая интерес, — это задача условной стохастической оптимизации с учетом несовершенных наблюдений, когда совместные распределения вероятностей, определяющие проблему, неизвестны.Мы демонстрируем, что предлагаемые нами методы решения обычно применимы к широкому кругу задач решения. Мы доказываем, что они вычислительно управляемы и асимптотически оптимальны в мягких условиях, даже когда данные не являются независимыми и одинаково распределенными (iid), и даже для цензурированных наблюдений. В качестве аналога коэффициента детерминации R \ ² мы разрабатываем показатель P, называемый коэффициентом предписываемости, для измерения предписывающего содержания данных и эффективности политики с точки зрения операций.Чтобы продемонстрировать силу нашего подхода в реальных условиях, мы изучаем проблему управления запасами, с которой сталкивается дистрибьюторское подразделение международного медиа-конгломерата, которое отгружает в среднем 1 миллиард единиц в год. Мы используем как внутренние данные, так и общедоступные онлайн-данные, собранные из IMDb, Rotten Tomatoes и Google, чтобы предписывать операционные решения, которые превосходят базовые показатели. В частности, данные, которые мы собираем, используя наши методы, дают улучшение на 88%, если судить по нашему коэффициенту предписываемости.

Робастное приближение выборочного среднего, с Д. Берцимасом и В. Гуптой.

• Математическое программирование, 171 (1-2): 217-282, 2018.

• arXiv, август 2014 г.

• Победитель в номинации «Лучшая студенческая работа», Исследовательский центр операций Массачусетского технологического института, 2013 г.

• Аннотация: Приближение выборочного среднего (SAA) — широко популярный подход к принятию решений на основе данных в условиях неопределенности.При умеренных предположениях SAA является управляемым и имеет надежные гарантии асимптотической производительности. Однако аналогичные гарантии обычно не выполняются для конечных выборок. В этой статье мы предлагаем модификацию SAA, которую мы называем Robust SAA, которая сохраняет управляемость и асимптотические свойства SAA и, кроме того, обеспечивает надежные гарантии производительности для конечных выборок. Ключом к нашему методу является соединение SAA, устойчивой к распределению оптимизации и проверки гипотез о соответствии. Помимо Robust SAA, это соединение обеспечивает единую перспективу, позволяющую нам охарактеризовать конечную выборку и асимптотические гарантии различных других процедур, управляемых данными, которые основаны на устойчивой с точки зрения распределения оптимизации.Этот анализ дает представление о практической эффективности этих различных методов в реальных приложениях. Мы представляем примеры из управления запасами и распределения портфелей и численно демонстрируем, что наш подход превосходит другие подходы, основанные на данных, в этих приложениях.

Робастная оптимизация на основе данных, с Д. Берцимасом и В. Гуптой.

• Математическое программирование, 167 (2): 235-292, 2018.

• arXiv Январь 2014 г.

• Финалист INFORMS Nicholson Paper Competition 2013

• Резюме: В последнее десятилетие произошел взрывной рост доступности данных для приложений исследования операций как часть революции больших данных. Руководствуясь этой парадигмой данных, мы предлагаем новую схему использования данных для разработки наборов неопределенностей для надежной оптимизации с использованием статистических тестов гипотез. Подход является гибким и широко применимым, а надежные задачи оптимизации, построенные на основе наших новых наборов, поддаются вычислению как теоретически, так и практически.Более того, оптимальные решения этих проблем имеют надежную вероятностную гарантию с конечной выборкой. Мы также предлагаем конкретные рекомендации для практиков и иллюстрируем наш подход с помощью приложений для управления портфелем и организации очередей. Вычислительные данные подтверждают, что наши наборы, основанные на данных, значительно превосходят традиционные надежные методы оптимизации, когда данные доступны.

Структура для оптимального сопоставления для причинного вывода.

• Труды 20-й Международной конференции по искусственному интеллекту и статистике (AISTATS), 54: 372—381, 2017.

• arXiv июнь 2016.

• Аннотация: Мы предлагаем новую структуру для сопоставления оценки причинно-следственных связей по данным наблюдений, основанные на минимизации двойной нормы ошибки оценки, выраженной в виде оператора. Мы показываем, что многие популярные методы оценки соответствия могут быть выражены как оптимальные в этой структуре, включая сопоставление ближайшего соседа, грубое точное сопоставление и выборку со средним сопоставлением.Это показывает их мотивацию и пригодность в качестве структурных приоритетов, сформулированных путем встраивания эффекта в конкретное функциональное пространство. Это также приводит к появлению ряда новых, основанных на ядре оценок согласования, которые возникают при внедрении эффекта в гильбертово пространство воспроизводящего ядра. В зависимости от случая эти оценки могут быть найдены с помощью квадратичной оптимизации или целочисленной оптимизации. Мы показываем, что оценки, основанные на универсальных ядрах, универсально согласованы без спецификации модели.В эмпирических результатах с использованием как синтетических, так и реальных данных новые оценщики на основе ядра превосходят все стандартные причинно-следственные оценщики по ошибке оценки.

Персонализированное ведение диабета с использованием электронных медицинских записей, с Д. Берцимасом, А. Вайнштейном и Д. Чжуо.

• Diabetes Care, 40 (2): 210-217, 2017.

• Abstract: Цель: Текущие клинические рекомендации по ведению диабета 2 типа не дифференцируются на основе индивидуальных факторов пациента.Мы представляем управляемый данными алгоритм персонализированного управления диабетом, который улучшает результаты для здоровья по сравнению со стандартным лечением.
  \ Дизайн и методы исследования. Мы смоделировали результаты 13 фармакологических методов лечения на основе электронных медицинских карт с 1999 по 2014 год для 10 806 пациентов с диабетом 2 типа из Бостонского медицинского центра. Для каждого посещения пациента мы проанализировали диапазон результатов при альтернативном уходе с использованием подхода k-ближайших соседей. Соседи были выбраны для максимального сходства индивидуальных характеристик пациентов и истории болезни, которые в наибольшей степени позволяли прогнозировать исходы для здоровья.Алгоритм рекомендаций предписывает режим с наилучшим прогнозируемым результатом, если ожидаемое улучшение от смены режима превышает пороговое значение. Мы оценили влияние рекомендаций на сопоставимые исходы для пациентов на основе невидимых данных.
  \ Результаты. Среди 48 140 посещений пациентов в тестовой выборке рекомендация алгоритма отражала наблюдаемый стандарт лечения в 68,2 \% посещений. Для посещений пациентов, в которых алгоритмическая рекомендация отличалась от стандартной помощи, среднее значение гликированного гемоглобина A \ _{1c \ (HbA \ 1c \) после лечения в соответствии с алгоритмом было ниже стандарта лечения на 0.44 \ & pm; 0,03 \% (4,8 \ & pm; 0,3 ммоль \ / моль) (\ P \ \ <0,001), от 8,37 \% по стандарту ухода до 7,93 \% по нашему алгоритму (от 68,0 до 63,2 ммоль \ / моль). \ Заключение. Персонализированный подход к лечению диабета привел к существенному улучшению результатов по HbA \ 1c \ по сравнению со стандартом лечения. Наша прототипная информационная панель, визуализирующая алгоритм рекомендаций, может использоваться поставщиками для информирования о лечении диабета и улучшения результатов.}

Выявленные предпочтения в масштабе: изучение персонализированных предпочтений на основе выбора ассортимента, с M.Уделл.

• Труды 17-й конференции ACM по экономике и вычислениям (EC), 17: 821-837, 2016.

• arXiv September 2015.

• Abstract: Мы рассматриваем проблему изучения предпочтений гетерогенного населения, наблюдая за выбором из ассортимента товаров, рекламы или других предложений. Наша модель наблюдения принимает форму, обычную для приложений планирования ассортимента: каждому приходящему покупателю предлагается ассортимент, состоящий из подмножества всех возможных предложений; мы соблюдаем только ассортимент и единоличный выбор покупателя.\ В этой статье мы предлагаем модель выбора смеси с естественной базовой низкоразмерной структурой и показываем, как оценить ее параметры. В нашей модели предпочтения каждого клиента или сегмента следуют отдельной параметрической модели выбора, но основная структура этих параметров по всем моделям имеет низкую размерность. Мы показываем, что оценщик максимального правдоподобия, основанный на ядерных нормах, может узнать предпочтения всех потребителей, используя количество наблюдений, намного меньшее, чем количество комбинаций предмет-покупатель.Этот результат показывает потенциал структурных допущений для ускорения обучения и повышения доходов при планировании и настройке ассортимента. Мы предлагаем специализированный алгоритм градиентного спуска с факторизацией и эмпирически изучаем успешность этого подхода.

Управление запасами в эпоху больших данных, с Д. Берцимасом и А. Хуссейном.

О прогностической силе веб-аналитики и социальных сетей.

• Глава Аналитики больших данных в социальном и повсеместном контексте, Springer, 2016.

• Резюме: По мере того, как все больше информации становится широко доступной и создается новый контент, публикуемый в сегодняшней сети, все больше людей обращаются к сбору таких данных и анализируя его, чтобы извлечь полезные сведения. Но актуальность таких данных для выхода за рамки настоящего не ясна. Мы представляем усилия по прогнозированию будущих событий на основе веб-аналитики — данных, собранных из Интернета — с особым акцентом на данные социальных сетей и упоминания о запланированных событиях, тем самым оценивая предсказательную силу таких данных.Мы фокусируемся на прогнозировании массовых действий, таких как крупные протесты и скоординированные действия киберактивизма, — прогнозирование их возникновения, конкретных сроков и места. Используя обработку естественного языка, утверждения о событиях извлекаются из контента, собранного из сотен тысяч открытых источников, которые мы получаем. Извлеченные атрибуты включают тип события, вовлеченные сущности и их роль, настроение и тон, и, что наиболее важно, отчетные временные рамки для возникновения обсуждаемого события — будь то прошлое, настоящее или будущее.Твиты (сообщения в Твиттере), в которых упоминается событие, которое, как сообщается, должно произойти в будущем, оказываются важными предикторами. Эти сигналы усиливаются за счет перекрестных ссылок на хрупкость ситуации, которую можно понять из более традиционных СМИ, что позволяет нам отсеивать тенденции в социальных сетях, которые исчезают, прежде чем материализоваться в виде толп на местах.

Сила оптимизации над рандомизацией при разработке экспериментов с небольшими выборками, с Д.Берцимас и М. Джонсон.

• Исследование операций, 63 (4): 868-876, 2015.

• Код. От редакции Всемирного банка «Влияние на развитие».

• Abstract: Случайное распределение, обычно рассматриваемое как стандарт в контролируемых исследованиях, направлено на то, чтобы экспериментальные группы были статистически эквивалентными до начала лечения. Однако с небольшой выборкой, которая является практической реальностью во многих дисциплинах, рандомизированные группы часто слишком различаются, чтобы быть полезными.Мы предлагаем подход, основанный на дискретной линейной оптимизации, для создания групп, расхождение в их средних и дисперсиях на несколько порядков меньше, чем при рандомизации. Мы предоставляем теоретические и вычислительные доказательства того, что группы, созданные путем оптимизации, имеют экспоненциально меньшее несоответствие, чем группы, созданные путем рандомизации.

Прогнозирование поведения толпы с помощью больших общедоступных данных.

• Материалы 23-й международной конференции по World Wide Web (WWW) companion, 23: 625-630, 2014.

• arXiv Февраль 2014 г.

• Слайды. Освещение в СМИ.

• Победитель конкурса INFORMS Social Media Analytics Best Paper Competition 2015

• Резюме: Благодаря тому, что публичная информация становится широко доступной и распространяемой в современной сети, становится возможным более глубокое понимание массовых действий со стороны граждан и негосударственных субъектов, таких как крупные протесты и киберактивизм. Превращая общедоступные данные в большие данные, компания Recorded Future постоянно сканирует более 300 000 веб-источников с открытым контентом на 7 языках со всего мира, начиная от основных новостей и заканчивая правительственными публикациями, блогами и социальными сетями.Мы изучаем предсказательную силу этих массивных общедоступных данных при прогнозировании массовых действий, таких как крупные протесты и кибер-кампании, до их возникновения. Используя обработку естественного языка, информация о событии извлекается из контента, такого как тип события, какие сущности задействованы и в какой роли, тональность и тон, а также временной диапазон возникновения обсуждаемого события. Объем информации ошеломляет, и тенденции можно четко увидеть в чистых цифрах. В первой половине этой статьи мы покажем, как мы используем эти данные для прогнозирования крупных протестов в 19 странах и 37 городах в Азии, Африке и Европе с высокой точностью с использованием стандартных обучающих машин.Во второй половине мы углубимся в прогнозирование исполнителей и целей политических кибератак с новым применением наивного байесовского классификатора для анализа многомерных последовательностей в массивных наборах данных.

Планирование, управление доходами и справедливость в академическом и больничном отделении: подход к оптимизации, с Д. Берцимасом и Р. Баумом.

• Academic Radiology, 21 (10): 1322-1330, 2014.

• Резюме: Врачи академических больниц сегодня практикуют в нескольких географических точках, включая их главную больницу, называемую расширенным кампусом.С расширением университетских городков растущая сложность расписания отдельного подразделения означает, что наивный подход к составлению расписания ставит под угрозу доходы и может не учитывать чрезмерные нагрузки врачей. Более того, он может предусматривать несправедливое распределение индивидуальных доходов, желательные или обременительные задания, а также степень удовлетворения предпочтений каждого человека. Это отрицательно сказывается на мотивации и удовлетворенности сотрудников и просто противоречит деловой политике. В этом контексте мы определяем ежедневное планирование врачей как операционную проблему, которая включает планирование, управление доходами и справедливость.Отмечая предыдущий успех управления операциями и оптимизации в каждой из этих дисциплин, мы предлагаем простую унифицированную формулировку этой задачи планирования с использованием смешанной целочисленной оптимизации (MIO). Посредством исследования реализации подхода в Отделении ангиографии и интервенционной радиологии в Бригаме и женской больнице, которое возглавляет один из авторов, мы демонстрируем гибкость модели для адаптации к конкретным приложениям, сговорчивость решения модели. в практических условиях и значительном влиянии этого подхода, в первую очередь в значительном увеличении доходов, при этом будучи только более справедливым и объективным.