用于短期物质使用预测的增强有限表格数据的新型 GAN 方法
机器学习
2024-07-19 v1
摘要
物质使用是全球性问题，对数百万使用药物者（PWUDs）造成负面影响。在实际应用中，由于其复杂的使用模式（例如，他们倾向于在几个月内更改使用方式）以及收集针对 PWUDs 的物质使用数据的高成本，identifying vulnerable PWUDs 以高效分配合适资源具有挑战性。因此，针对准确预测 PWUDs 短期物质使用行为的机器学习模型屈居于劣势。本文我们利用我们团队在美国大平原对 258 名 PWUDs 的纵向调查数据，设计了一种处理高维低样本表格数据和调查跳过逻辑的新型 GAN，以增强现有数据，提高分类模型对 (A) PWUDs 是否会在未来 12 个月内增加使用量以及 (B) 他们在特定药物使用频率的哪个序数层级的预测性能。我们的评估结果显示，在我们提议的 GAN 生成的增强数据上训练的分类模型，在问题 (A) 中提高了最高 13.4% 的 AUROC，在问题 (B) 中提高了最高 15.8% 的 AUROC，这些增强数据针对大麻、甲基苯丙胺、安非他命和可卡因的使用，超过了最先进的生成模型。
引用
@article{arxiv.2407.13047,
title = {A Novel GAN Approach to Augment Limited Tabular Data for Short-Term Substance Use Prediction},
author = {Nguyen Thach and Patrick Habecker and Bergen Johnston and Lillianna Cervantes and Anika Eisenbraun and Alex Mason and Kimberly Tyler and Bilal Khan and Hau Chan},
journal= {arXiv preprint arXiv:2407.13047},
year = {2024}
}
备注
Accepted in IJCAI 2024