SEANN：用于流行病学洞察的领域信息神经网络
机器学习
2025-01-20 v1 人工智能
摘要
在流行病学领域，通常会采用Logistic 回归、线性回归及其他参数模型来探讨预测变量与健康结果之间的关联。然而，深度神经网络（DNN）等非参数机器学习技术，结合可解释人工智能（XAI）工具，为这一任务提供了新机会。尽管具有潜力，但这些方法面临数据质量和数量有限的挑战。为此，我们引入 SEANN，这是一种新型的受信息启发的 DNN 方法，利用一种常见的领域特定知识形式：汇总效应大小（PES）。PES在不同的元分析研究中常见，代表了一种量化的科学共识。通过在学习过程中直接集成于自定义损失函数中，我们实验性地证明，在稀缺且噪声较大的环境中，与领域无关知识的神经网络相比，SEANN 在预测性能的通用性和提取关系的科学合理性方面具有显著优势。
引用
@article{arxiv.2501.10273,
title = {SEANN: A Domain-Informed Neural Network for Epidemiological Insights},
author = {Jean-Baptiste Guimbaud and Marc Plantevit and Léa Maître and Rémy Cazabet},
journal= {arXiv preprint arXiv:2501.10273},
year = {2025}
}