基于黑盒知识蒸馏的深层流行病学建模：一种精准的 COVID-19 深度学习模型
机器学习
2021-01-26 v1 人工智能
摘要
一个准确高效的预测系统对于预防 COVID-19 等新发传染病在公共卫生中的蔓延至关重要。该系统需要准确的瞬态建模、较低的计算成本和较少的观测数据。为应对这三个挑战，我们提出了一种利用黑盒知识蒸馏的新型深度学习方法，以实用方式实现准确且高效的传播动力学预测。首先，我们利用混合模型开发一个准确、全面但 impractical 的仿真系统。接下来，我们使用模拟观测序列查询该仿真系统以检索模拟投影序列作为知识。然后，利用获得的查询数据，提出序列混合（sequence mixup）以提高查询效率、增加知识多样性并提升蒸馏模型精度。最后，我们使用检索和混合的观测-投影序列训练一个学生深度神经网络以供实际使用。基于 COVID-19 的案例研究证明，在观测数据有限时，我们的方法能以低得多的计算成本准确预测感染数。
引用
@article{arxiv.2101.10280,
title = {Deep Epidemiological Modeling by Black-box Knowledge Distillation: An Accurate Deep Learning Model for COVID-19},
author = {Dongdong Wang and Shunpu Zhang and Liqiang Wang},
journal= {arXiv preprint arXiv:2101.10280},
year = {2021}
}
备注
Accepted by AAAI-21/IAAI-21, 7 pages, 2 figures