利用时空数据早期检测 COVID-19 热点地区
机器学习
2022-05-04 v2 机器学习
应用统计
摘要
近来，美国疾病控制与预防中心（CDC）与其他联邦机构合作，识别 2019 冠状病毒病（COVID-19）发病率上升的县（热点地区），并向地方卫生部门提供支持以限制疾病传播。理解热点事件的时空动态对于支撑政策决策和防止大规模暴发具有重要意义。本文提出一种时空贝叶斯框架，用于美国范围内（县级）COVID-19 热点地区的早期检测。我们假设观测到的病例数与热点地区均依赖于一类潜在随机变量，其编码了 COVID-19 传播的潜在时空动态。此类潜在变量服从零均值高斯过程，其协方差由非平稳核函数指定。我们核函数最显著的特征是引入深度神经网络以增强模型的表达能力，同时仍保留核函数的可解释性。我们推导出一种稀疏模型，并采用变分学习策略拟合模型，以规避大规模数据集下的计算难解性。相较于其他基线方法，我们的模型展现出更好的可解释性与更优的热点检测性能。
引用
@article{arxiv.2106.00072,
title = {Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data},
author = {Shixiang Zhu and Alexander Bukharin and Liyan Xie and Khurram Yamin and Shihao Yang and Pinar Keskinocak and Yao Xie},
journal= {arXiv preprint arXiv:2106.00072},
year = {2022}
}