用增量机器学习建模COVID-19病毒演化
机器学习
2021-04-22 v2 机器学习
摘要
投入时间和资源以开发更好的策略和方法来应对潜在大流行，对于未来处理新变异株或其他病毒的潜在爆发至关重要。在这项工作中，我们重现了一年前（2020年）的场景，即COVID-19疫情在报告病例数最多的五十个国家中席卷全球。我们进行了一些实验，将最先进的机器学习算法（如LSTM）与在线增量机器学习算法进行比较，以使它们适应疾病传播的每日变化并预测未来的COVID-19病例。为比较这些方法，我们进行了三项实验：在第一项中，我们仅使用所预测国家的数据训练模型。在第二项中，我们使用所有五十个国家的数据训练并预测其中每一个。在第一和第二项实验中，我们对所有方法采用静态保留（hold-out）方案。在第三项实验中，我们使用预序评估（prequential evaluation）依次训练增量方法。该方案对大多数最先进的机器学习算法并不适用，因为它们需要对每批预测从头重新训练，造成计算负担。结果表明，增量方法是适应疾病随时间变化的有前景的途径；它们始终与数据分布的最新状态保持同步，并且比其他技术（如LSTM）的计算成本显著更低。
引用
@article{arxiv.2104.09325,
title = {Modelling the COVID-19 virus evolution with Incremental Machine Learning},
author = {Andrés L. Suárez-Cetrulo and Ankit Kumar and Luis Miralles-Pechuán},
journal= {arXiv preprint arXiv:2104.09325},
year = {2021}
}