利用迁移学习在数据稀缺环境下预测新发疾病
机器学习
2022-08-16 v1 应用统计
摘要
近期的新发传染病暴发，如 COVID-19 大流行与巴西的 Zika 疫情，既显示了准确预测新型传染病的重要性，也暴露了其困难。当新疾病刚出现时，我们对传播过程、再感染免疫的水平与持续时间，或构建现实流行病学模型所需的其他参数知之甚少。时间序列预测与机器学习虽较少依赖对疾病的假设，却需要大量数据，而在疫情早期同样无法获得。本研究考察在数据稀缺环境中，如何利用对相关疾病的知识借助迁移学习预测新疾病。我们采用了经验与理论两种方法。利用巴西的经验数据，我们比较了不同机器学习模型在两组不同疾病对之间迁移知识的效果：（i）登革热与 Zika，（ii）流感与 COVID-19。在理论分析中，我们使用 SIR compartmental model（ compartmental 模型）以不同传播率与恢复率生成数据，进而比较不同迁移学习方法的有效性。我们发现迁移学习有潜力改善预测，甚至超越基于目标疾病数据的模型，但须谨慎选取合适的源疾病。尽管不完美，这些模型为疫情应对中的决策者提供了额外输入。
引用
@article{arxiv.2204.05059,
title = {Forecasting new diseases in low-data settings using transfer learning},
author = {Kirstin Roster and Colm Connaughton and Francisco A. Rodrigues},
journal= {arXiv preprint arXiv:2204.05059},
year = {2022}
}