医疗众筹的早期预测：一种利用多源输入的深度学习方法
机器学习
2019-11-25 v1
摘要
医疗众筹是亟需经济援助以支付医疗账单的人们从大量人群中募集捐款的热门渠道。然而，不同案例的捐款存在巨大异质性，筹款者对其众筹活动能否达成筹款目标面临显著的不确定性。因此，若此类渠道最终将失败，为筹款者提供早期预警十分重要。在本研究中，我们旨在开发新颖算法，以提供准确且及时的筹款表现预测，从而更好地告知筹款者。特别地，我们提出一种在深度学习模型中结合时间序列特征与时间不变特征的新方法，以处理多源输入数据。与基线模型相比，我们的模型取得了更好的准确率，并且需要更短的自活动发起以来的时变特征观测窗口，即可提供高置信度的稳健预测。为提取可解释的洞察，我们进一步进行了多元时间序列聚类分析，并识别出四种典型的时间捐赠模式。这展示了特征的异质性及其与筹款结果的关系。该预测模型与可解释洞察可应用于协助筹款者更好地推广其筹款活动，并有可能帮助众筹平台向所有筹款者提供更及时的反馈。我们提出的框架也可推广至其他领域，其中多样的结构化与非结构化数据对预测具有价值。
引用
@article{arxiv.1911.05702,
title = {Early Predictions for Medical Crowdfunding: A Deep Learning Approach Using Diverse Inputs},
author = {Tong Wang and Fujie Jin and Yu Hu and Yuan Cheng},
journal= {arXiv preprint arXiv:1911.05702},
year = {2019}
}