时空预测模型的决策感知训练：用于选择干预站点的前 K 子集

稀缺资源的最优分配是决策者在选择有限数量的干预地点时面临的常见问题。时空预测模型可以使此类决策数据驱动。最近一种称为最佳可达比例（BPR）的性能指标衡量了使用模型推荐的大小为 K 的站点子集与事后回顾中最佳可能的前 K 站点相比的影响。我们解决与 BPR 相关的两个开放问题。首先，我们探索如何在预测跨站点联合事件计数的概率模型下对所有站点进行数值排序。按每站点的均值进行排序对 BPR 而言是次优的。相反，我们提供了一种由决策理论支持的更好的 BPR 排序方法。其次，我们探索如何训练概率模型的参数以最大化 BPR。离散选择 K 个站点意味着全零参数梯度，这阻碍了标准梯度训练。我们通过扰动优化器的进展克服了这一障碍。我们进一步提出了一种将似然与决策感知 BPR 约束相结合的训练目标，以提供高质量的 top-K 排序以及所有站点的良好预测。我们在两个“何处干预”应用上展示了我们的方法：缓解公共卫生中与阿片类药物相关的致命过量，以及监测濒危野生动物。