用來預測 COVID-19 影響的可解釋序列學習技術

本文件提出了一種嶄新的方法，可將機器學習技術整合至腔室性疾病建模，以便預測 COVID-19 的發展情況。我們的模型是經過設計可解釋的，因為它明確顯示不同區隔的演進方式，並使用可解釋的編碼器納入協變量並改善成效。可解釋性有助於確保模型的預測結果能讓流行病學家信服，並讓政策制定者和醫療機構等使用者建立信心。我們的模型可套用於不同地理解析度，我們會以美國的州和縣為例進行示範。我們發現，我們的模型能提供比現有替代方案更準確的預測結果，並提供有意義的解釋性洞察資料。

總覽

本文件將概述以下內容：

• 查看 COVID-19 的建議腔室模型。
• 瞭解為了使用準確預測 COVID-19 所需的協變數，所做出的模型設計選擇。
• 討論為了改善泛化能力，在學習有限訓練資料時所開發的學習機制。
• 查看多項實驗，比較我們的模型與其他公開的 COVID-19 模型。
• 瞭解模型的潛在限制和失敗案例，以便引導可能使用這些技術建構預測系統，進而影響公共衛生決策的使用者。

如要讀取完整的白皮書，請點選以下按鈕：

下載 PDF