用來預測 COVID-19 影響的可解釋序列學習技術

這份文件提出了一種新方法，可將機器學習技術導入腔室性疾病的建模程序，以便預測 COVID-19 的發展情況。我們的模型在設計上可解釋，因為模型會明確顯示不同區間的演變方式，並使用可解讀的編碼器納入共變數，進而提升效能。可解釋性有助於確保模型預測結果對流行病學家而言可信，並讓決策者和醫療機構等使用者對模型有信心。我們的模型可套用至不同地理解析度，並在美國各州和各郡進行示範。結果顯示，我們的模型提供的預測比最先進的替代方案更準確，而且能提供有意義的解釋性深入分析。

總覽

本文將說明下列事項：

• 審查 COVID-19 的建議腔室模型。
• 瞭解模型設計的選擇，以便使用準確預測 COVID-19 所需的共變數。
• 討論為改善泛化而開發的學習機制，同時從有限的訓練資料中學習。
• 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，引導可能使用這些技術建構預測系統的人員，避免影響公共衛生決策。

如要讀取完整的白皮書，請點選以下按鈕：

下載 PDF