2018年12月5日讨论班报告

各位老师，同学：

时间：12月5日讨论班 15:30-17:00

地点：教学楼5-308

报告内容：

殷小静 Generative Adversarial Imitation Learning

生成对抗模仿学习是一个新的通用框架，用于直接从数据中提取策略，就好像它是通过反向强化学习的学习获得的。论文对模拟学习（imitation learning）和生成对抗网络（generative adversarial networks）之间进行了类推，从中推导出一种无模型的模仿学习算法，该模型相比现有的无模型方法（model-free methods）在大量的高维的环境中，模拟复杂行为方面的性能获得了显著提高。

朱方林 GAMENet:Graph Augmented MEmory Networks for Recommending Medication Combination

深度学习的最新进展正在改变医疗领域，当前已经可以借助深度学习提供药物建议，特别是为健康状况复杂的患者推荐药物组合。但是现有方法要么不根据患者健康史进行定制，要么忽略可能导致不良后果的药物相互作用（DDI）的现有知识。为了解决这一问题，本文提出了图形增强记忆网络（GAMENet），它通过利用图卷积网络实现的存储器模块集成药物 - 药物相互作用知识图，并将纵向患者就诊记录建模为query。它经过端到端的训练，可提供安全、个性化的药物组合推荐。本文通过在真实EHR数据上与的几种最先进的方法进行比较，证明了GAMENet的有效性和安全性。GAMENet在所有有效性中测试中的表现都超过了其他方法，并且在现有的EHR数据中也实现了3.60％的DDI率降低。

下周报告人 孙振超，姜涛