用于 COVID-19 预测的可解释序列学习
机器学习
2021-01-14 v2 机器学习
摘要
我们提出一种将机器学习集成到 compartmental 疾病建模中以预测 COVID-19 进展的新方法。我们的模型在设计上可解释，因为它显式展示了不同 compartment 如何演化，并使用可解释编码器来纳入协变量并提升性能。可解释性对于确保模型预测对流行病学家而言可信、以及对政策制定者与医疗机构等终端用户建立信心具有重要价值。我们的模型可应用于不同地理分辨率，此处我们针对美国各州与县进行演示。我们表明，在横跨全美平均的指标上，我们的模型比最先进的替代方案提供更准确的预测，并且提供定性上有意义的解释性洞察。最后，我们基于各县内子群分布分析了模型在不同子群上的表现。
引用
@article{arxiv.2008.00646,
title = {Interpretable Sequence Learning for COVID-19 Forecasting},
author = {Sercan O. Arik and Chun-Liang Li and Jinsung Yoon and Rajarishi Sinha and Arkady Epshteyn and Long T. Le and Vikas Menon and Shashank Singh and Leyou Zhang and Nate Yoder and Martin Nikoltchev and Yash Sonthalia and Hootan Nakhost and Elli Kanal and Tomas Pfister},
journal= {arXiv preprint arXiv:2008.00646},
year = {2021}
}