面向无家可归者街头外展与可食用食物拾取的资源受限随机调度算法
A resource-constrained stochastic scheduling algorithm for homeless street outreach and gleaning edible food
- IBM Research（IBM研究院）
- Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
- Microsoft New England（微软新英格兰研究院）
- University of California, Berkeley（加州大学伯克利分校）
- IBM Research – T.J. Watson（IBM T.J.沃森研究院）
- Fordham University（福特汉姆大学）
- Leket Israel（以色列莱凯特组织）
- Breaking Ground（Breaking Ground（美国无家可归者救助机构））
- Change Machine（Change Machine（美国社会服务机构））
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
针对社会公益组织资源受限外展问题，提出基于部分可观测间歇性老虎机的估计与优化算法，采用带马尔可夫链恢复的汤普森采样，显著优于基线。
AI中文摘要：
我们开发了一种通用算法解决方案，以解决具有不同使命和运营的社会变革组织在资源受限外展中遇到的问题：Breaking Ground——一家帮助纽约无家可归者过渡到永久住房的组织，以及Leket——以色列国家食品银行，该银行从农场及其他地方抢救食物以喂养饥饿人群。具体而言，我们针对部分可观测的、具有$k$步转移的情境式间歇性老虎机问题，提出了一种估计与优化方法。结果表明，我们的采用马尔可夫链恢复（通过Stein变分梯度下降）的汤普森采样算法在两个组织的问题上均显著优于基线方法。我们以前瞻性方式开展这项工作，明确目标是设计一种既足够灵活又足够有用的解决方案，以帮助克服数据科学在社会公益中缺乏可持续影响的问题。
英文摘要：
We developed a common algorithmic solution addressing the problem of resource-constrained outreach encountered by social change organizations with different missions and operations: Breaking Ground -- an organization that helps individuals experiencing homelessness in New York transition to permanent housing and Leket -- the national food bank of Israel that rescues food from farms and elsewhere to feed the hungry. Specifically, we developed an estimation and optimization approach for partially-observed episodic restless bandits under $k$-step transitions. The results show that our Thompson sampling with Markov chain recovery (via Stein variational gradient descent) algorithm significantly outperforms baselines for the problems of both organizations. We carried out this work in a prospective manner with the express goal of devising a flexible-enough but also useful-enough solution that can help overcome a lack of sustainable impact in data science for social good.
