用于疫苗不良事件检测的多实例域适应

疫苗不良事件的检测对于发现和改良有问题的疫苗至关重要。为此，传统的正式报告系统（如VAERS）支持准确但滞后的监测，而近期社交媒体被挖掘用于及时但含噪的观测。利用这两个领域的互补优势来提升检测性能看似良好，但由于其数据特征存在显著差异，现有方法无法有效实现：1) 正式语言 vs. 非正式语言，2) 每用户单条消息 vs. 每用户多条消息，3) 单类 vs. 二类。本文提出一种名为多实例域适应（MIDA）的新颖通用框架，以在社交媒体用户的疫苗不良事件检测任务中最大化这两个领域间的协同。具体而言，我们提出一种广义最大均值差异（MMD）准则，用于度量这两个领域异质消息在其共享潜在语义空间中的语义距离。然后，这些消息级的广义MMD距离通过新提出的混合实例核被合成为用户级距离。我们最终最小化这两个领域中部分匹配类别的样本间距离。为解决非凸优化问题，开发了一种基于交替方向乘子法（ADMM）并结合凸-凹过程（CCP）的高效算法来精确优化参数。大量实验表明，我们的模型在六项指标下大幅优于基线。案例研究显示，MIDA提取的正式报告与不良事件相关推文在关键词和描述模式上具有相似性。