MFL_COVID19：通过正则化多任务特征学习量化 COVID-19 流行早期影响病死率的国家层面因素
计算机视觉与模式识别
2020-09-08 v1 机器学习
摘要
近期 COVID-19 的暴发已导致在全球范围内迅速传播。许多国家实施了及时的强力抑制以最小化感染，但因卫生资源的迫切需求导致了高病死率 (CFR)。其他国家级因素如社会文化问题、人口老龄化等，也影响了早期采取干预以改善死亡率的实际成效。更好理解不同国家这些因素与 COVID-19 CFR 的关系，对防范潜在的第二波感染至关重要。本文中，我们提出一种基于正则化多任务学习的新型因素分析方法，用于量化 COVID-19 流行早期影响 CFR 的国家层面因素。我们将 CFR 进展的预测表述为一个具有观测 CFR 与其他国家层面因素的机器学习 (ML) 回归问题。在此表述中，所有 CFR 相关因素被归为 6 个门类共 27 个指标。我们提出一种结合过滤式、包裹式与基于树模型的混合特征选择方法，以校准初始因素进行初步特征交互。随后我们在表述中采用两种典型单任务模型（Ridge 与 Lasso 回归）及一种最先进的多任务特征学习 (MTFL) 方法（融合稀疏组 Lasso）。融合稀疏组 Lasso (FSGL) 方法允许同时为 COVID-19 流行的多个时间点选取一组公共的国家层面因素，并能使各因素在整个早期阶段上具有时间平滑性。最后，我们提出一种新颖的时间投票特征选择方案，以平衡我们 MTFL 模型中多因素权重的非稳定性。
引用
@article{arxiv.2009.02827,
title = {MFL_COVID19: Quantifying Country-based Factors affecting Case Fatality Rate in Early Phase of COVID-19 Epidemic via Regularised Multi-task Feature Learning},
author = {Po Yang and Jun Qi and Xulong Wang and Yun Yang},
journal= {arXiv preprint arXiv:2009.02827},
year = {2020}
}