Dynamic Treatment on Networks

요약

본 논문은 네트워크 구조를 고려한 동적인 치료(개입) 배치를 위한 프레임워크인 Q-Ising을 제안합니다. 이 방법론은 베이즈 동적 Ising 모델을 사용하여 단일 관찰 패널로부터 복잡한 네트워크 채택 역학을 추정하고, 연속 후속 잠재 상태를 통해 개입의 과거 기록을 보강합니다. 이를 바탕으로 오프라인 강화 학습(Offline RL)을 수행하여 최적의 동적 정책을 학습하며, 불확실성 정량화를 통해 해석 가능한 앙상블 정책을 제공합니다.

핵심 포인트

• 네트워크에서의 효과적인 치료 배치는 단순히 노드의 중심성을 고려하는 것을 넘어, 개입이 확산을 통해 다음 타겟팅 대상을 변경시키는 동적 연쇄 반응을 예측해야 합니다.
• 제안된 Q-Ising 파이프라인은 베이지안 동적 Ising 모델로 네트워크 채택 역학을 추정하고, 오프라인 강화 학습으로 최적의 동적 정책을 학습하는 3단계 구조를 가집니다.
• 베이지안 접근 방식을 통해 결정에 대한 불확실성을 정량화할 수 있으며, 이는 해석 가능한 후속 앙상블 정책을 도출하는 데 핵심적인 역할을 합니다.
• 제안된 방법론은 마이크로금융 네트워크 데이터 및 SIS 역학 시뮬레이션에서 기존의 정적 중심성 기반 전략보다 우수한 적응적 타겟팅 성능을 입증했습니다.