结合 aggVAE 的深度学习与 MCMC 用于变动的行政边界：绘制肯尼亚疟疾患病率地图
机器学习
2023-07-18 v3 机器学习
摘要
基于模型的疾病制图在公共卫生和疾病监测领域仍是一项基础性的为政策提供信息的工具。分层贝叶斯模型已成为疾病制图的最先进方法，因为它们既能捕捉数据结构，又能稳健地刻画不确定性。在处理面状数据（例如行政区单元如地区或省的聚合数据）时，当前模型依赖面状单元的邻接结构来解释空间相关性并执行收缩。疾病监测系统的目标是随时间追踪疾病结果。这一任务在危机情境中尤为困难，危机往往导致行政边界重划，意味着危机前后收集的数据不再直接可比。此外，基于邻接的方法忽略了空间过程的连续性，且无法解决支持度变更问题，即当需要在不同行政级别或聚合级别上给出估计时。我们提出了一种新颖、实用且易于实现的解决方案，依靠结合深度生成建模与全贝叶斯推断的方法来解决这些问题：我们基于最近提出的 PriorVAE 方法，该方法能够通过编码行政区单元上的聚合值，用变分自编码器对小区域上的空间先验进行编码。我们绘制了肯尼亚的疟疾患病率地图，该国在 2010 年发生了行政边界变更。
引用
@article{arxiv.2305.19779,
title = {Deep learning and MCMC with aggVAE for shifting administrative boundaries: mapping malaria prevalence in Kenya},
author = {Elizaveta Semenova and Swapnil Mishra and Samir Bhatt and Seth Flaxman and H Juliette T Unwin},
journal= {arXiv preprint arXiv:2305.19779},
year = {2023}
}