人体分解建模：一种贝叶斯方法
机器学习
2024-11-18 v1
摘要
环境和个体变量以复杂的方式影响人体分解的速率。这些影响使得基于观察到的分解特征估计死亡后间隔期（PMI）变得复杂。在本工作中，我们基于 PMI 和广泛的环境及个体变量，开发了一个用于人体遗骸分解的生成概率模型。该模型显式地表示每个变量（包括 PMI）对每个分解特征出现的影响，允许直接解释模型效应，并支持将模型用于 PMI 推断和最优实验设计。此外，模型的概率性质允许以先验分布的形式整合专家知识。我们将该模型拟合到来自 GeoFOR 数据集的 2,529 个多样化案例上。我们证明该模型能以 0.85 的 ROC AUC 得分准确预测 24 个分解特征。利用贝叶斯推断技术，我们反转分解模型，根据观察到的分解特征以及环境和个体变量预测 PMI，获得了 71% 的 R 平方值。最后，我们展示了如何利用拟合模型设计未来实验，通过期望信息增益形式化，最大化关于分解机制的新信息期望量。
引用
@article{arxiv.2411.09802,
title = {Modeling human decomposition: a Bayesian approach},
author = {D. Hudson Smith and Noah Nisbet and Carl Ehrett and Cristina I. Tica and Madeline M. Atwell and Katherine E. Weisensee},
journal= {arXiv preprint arXiv:2411.09802},
year = {2024}
}