面向 COVID-19 接触追踪应用的风险评分学习
机器学习
2021-07-23 v2 计算机与社会
摘要
用于 COVID 的数字接触追踪应用（如 Google 和 Apple 开发的那些）需要估计用户在某一特定暴露期间被感染的风险，以决定是否通知用户采取预防措施，例如进入隔离或请求检测。此类风险评分模型包含众多必须由公共卫生当局设定的参数。在本文中，我们展示如何基于数据自动学习这些参数。我们的方法需要访问暴露与结果数据。尽管该数据已被若干卫生当局以聚合、隐私保护的方式收集，本文中我们仅限于使用模拟数据，以便系统性研究影响该方法可行性的不同因素。特别地，我们表明当存在更多缺失数据（例如由于应用未记录的感染）以及存在模型误设时，参数变得更难估计。尽管如此，该学习方法优于一个强的人工设计基线。此外，即便疾病的风险因素因新变异株出现或疫苗接种而改变，该学习方法也能适应。
引用
@article{arxiv.2104.08415,
title = {Risk score learning for COVID-19 contact tracing apps},
author = {Kevin Murphy and Abhishek Kumar and Stylianos Serghiou},
journal= {arXiv preprint arXiv:2104.08415},
year = {2021}
}
备注
13 pages, 7 figures