推动基于 AI/ML 的流行病预测的 EpiBench 平台：达到人类专家水平性能的 prototype 演示
摘要
在 COVID-19 大流行期间，大量工作投入到开发 ML 驱动的流行病预测技术中。然而，目前不存在基准来判断一种新的 AI/ML 技术是否优于现有技术。"covid-forecast-hub" 是一个由包括我们在内的超过 30 个团队组成的集合，每周向 CDC 提交预测。利用这些预测无法声明某一方法优于另一方法，因为每个团队的提交在时间段内可能对应不同技术，并涉及人类干预，因为团队在不断改变/调整其方法。此类预测可被视为"人类专家"预测，并不符合 AI/ML 方法的标准，尽管它们可用作人类专家性能的指示。我们有兴趣支持流行病预测中的 AI/ML 研究，从而可实现无需人类干预的可扩展预测。何种建模技术、学习策略和数据预处理技术对流行病预测有效仍是一个开放问题。为了推进应用于流行病学的 AI/ML 最先进水平，需要一个带有性能点集合的基准，并且需要确定当前的"最先进"技术。我们提出 EpiBench，一个由社区驱动的、应用于流行病预测的 AI/ML 基准组成的平台，以通过统一评估协议标准化该挑战。在本文中，我们介绍了 EpiBench 的一个 prototype，其目前正在运行并接受美国各州 COVID-19 病例与死亡预测任务的提交，并且我们展示了可利用该 prototype 开发一种依赖于全自动化流行病预测（无人类干预）的集成方法，达到 CDC 当前正在使用的专家级集成水平。
引用
@article{arxiv.2102.02842,
title = {The EpiBench Platform to Propel AI/ML-based Epidemic Forecasting: A Prototype Demonstration Reaching Human Expert-level Performance},
author = {Ajitesh Srivastava and Tianjian Xu and Viktor K. Prasanna},
journal= {arXiv preprint arXiv:2102.02842},
year = {2021}
}
备注
8 pages, 6 figures. Accepted at the 5th International Workshop on Health Intelligence in conjunction with the Thirty-Fifth AAAI Conference on Artificial Intelligence (AAAI-21)