Back2Future：利用回填动态改进未来实时预测
机器学习
2022-04-28 v8 人工智能
计算机与社会
摘要
在公共卫生的实时预测中，数据收集是一项重要且艰巨的任务。通常在初次发布后，数据会由于人或技术限制而经历多次修订——因此，数据可能需要数周才能达到稳定值。这种所谓的“回填”现象及其对模型性能的影响在既往文献中极少被研究。本文以 COVID-19 为动机示例，引入多变量回填问题。我们构建了由过去一年大流行期间相关信号组成的详细数据集。随后，我们系统刻画了回填动态中的若干模式，并利用观察结果提出一种新问题及神经框架 Back2Future，旨在实时精炼给定模型的预测。大量实验表明，与非平凡基线相比，我们的方法精炼了 COVID-19 预测的顶尖模型性能，较基线提升 18%，从而取得新的 SOTA 性能。此外，我们表明我们的模型也改进了模型评估；因此决策者能更好地理解预测模型在实时下的真实准确度。
引用
@article{arxiv.2106.04420,
title = {Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future},
author = {Harshavardhan Kamarthi and Alexander Rodríguez and B. Aditya Prakash},
journal= {arXiv preprint arXiv:2106.04420},
year = {2022}
}
备注
15 pages, 8 figures, To appear in ICLR 2022