In diesem Dokument wird ein neuer Ansatz vorgeschlagen, der maschinelles Lernen in die Kompartimentmodellierung von Krankheiten einbindet, um das Fortschreiten von COVID-19 zu prognostizieren. Unser Modell lässt sich erklären, da es deutlich zeigt, wie sich die verschiedenen Kompartimente weiterentwickeln. Außerdem werden interpretierbare Encoder verwendet, um Kovarianzen einzubinden und die Leistung zu verbessern. Die Erklärbarkeit ist wichtig, damit die Vorhersagen des Modells für Epidemiologen und Endnutzer wie Politiker oder Gesundheitseinrichtungen glaubwürdig sind. Unser Modell kann auf verschiedene geografische Auflösungen angewendet werden. Wir zeigen das am Beispiel von Bundesstaaten und Countys in den USA. Unser Modell liefert genauere Prognosen als moderne Alternativen und liefert qualitativ hochwertige Daten mit großer Aussagekraft.
Übersicht
In diesem Dokument wird Folgendes erläutert:
- Der vorgeschlagene Entwurf für COVID-19
- Die Entscheidungen zur Modellentwicklung, die getroffen wurden, um die Kovarianzen zu verwenden, die für genaue COVID-19-Vorhersagen erforderlich sind
- Die Lernmechanismen, die entwickelt wurden, um die Generalisierung zu verbessern und gleichzeitig aus begrenzten Trainingsdaten zu lernen
- Verschiedene Tests, um unser Modell mit anderen öffentlich verfügbaren COVID-19-Modellen zu vergleichen
- Die potenziellen Einschränkungen und Fehlerfälle unseres Modells, um diejenigen anzuleiten, die diese Techniken unter Umständen zur Erstellung von Prognosesystemen nutzen, die Entscheidungen zur öffentlichen Gesundheit beeinflussen können
Klicken Sie auf die Schaltfläche, um das vollständige Dokument zu lesen: