CEL：一种通过弹性权重巩固利用领域自适应的疾病爆发预测持续学习模型
机器学习
2024-01-18 v1 人工智能
摘要
持续学习，即模型在不遗忘先前知识的情况下随时间学习，从而适应新数据的能力，在疾病爆发预测等动态领域中至关重要。深度神经网络（如 LSTM）容易因灾难性遗忘而产生错误。本研究引入了一种新颖的 CEL 模型，通过弹性权重巩固（EWC）利用领域自适应来实现持续学习。该模型旨在缓解领域增量设置中的灾难性遗忘现象。利用 EWC 构建费舍尔信息矩阵（FIM），以开发一个正则化项，惩罚对重要参数（即重要的先前知识）的更改。CEL 的性能在三种不同疾病（流感、猴痘和麻疹）上使用不同指标进行了评估。在评估和重新评估期间获得的高 R 方值，在多种情境下优于其他最先进的模型，表明 CEL 能很好地适应增量数据。与现有基准研究相比，CEL 最低 65% 的遗忘率和高出 18% 的记忆稳定性，突显了其鲁棒性和可靠性。本研究强调了 CEL 在疾病爆发预测中的多功能性，能够处理具有时间模式的不断演变的数据。它为通过准确、及时的预测进行主动疾病控制提供了一个有价值的模型。
引用
@article{arxiv.2401.08940,
title = {CEL: A Continual Learning Model for Disease Outbreak Prediction by Leveraging Domain Adaptation via Elastic Weight Consolidation},
author = {Saba Aslam and Abdur Rasool and Hongyan Wu and Xiaoli Li},
journal= {arXiv preprint arXiv:2401.08940},
year = {2024}
}