面向新冠肺炎病毒 (COVID-19) 预测的可解释序列学习

本文档提出了一种全新方式，将机器学习功能应用到疾病房室建模 (comparmental disease modeling) 来预测新冠肺炎病毒 (COVID-19) 发展传播情况。我们的模型从设计上保证可以解释，因为它清晰地展示了不同部分的演变方式，并且使用可解释的编码器来结合变量并提升性能。可解释性很有价值，有助于确保模型的预测对流行病学家而言是可信的，并对政策制定者和医疗保健机构等最终用户传递信心。我们的模型可应用于不同的地理解决方法，并且我们将在美国各州和县演示该模型。结果表明我们的预测比领先的替代方案更加准确，并且它提供了有定性意义的解释性数据分析。

概览

本文档概述了以下内容：

  • 查看推荐的 COVID-19 房室模型。
  • 了解为了使用准确预测 COVID-19 所需变量而进行的模型设计选择。
  • 讨论在通过有限训练数据进行学习时为了提高泛化能力而开发的学习机制。
  • 查看多个实验，将我们的模型与其他公开提供的 COVID-19 模型进行比较。
  • 了解我们模型的潜在限制和失败情况，给那些可能使用这些技术构建可影响公共健康决策的预测系统的人员提供指导。

要阅读完整的白皮书，请点击以下按钮：

下载 PDF