疑虑之时：面向传染病预测的神经非参数不确定性量化
机器学习
2021-11-16 v3 人工智能
摘要
准确且可信的传染病预测是一个重要问题，对公共卫生规划与疾病缓解具有影响。大多数现有传染病预测模型忽视不确定性量化，导致预测校准不良。近期深度神经模型用于不确定性感知时间序列预测的工作也存在若干局限；例如，在贝叶斯神经网络中难以指定有意义的先验，而深度集成等方法在实践中计算昂贵。本文中，我们填补这一重要空白。我们将预测任务建模为概率生成过程，并提出称为 EPIFNP 的函数神经过程模型，其直接建模预测值的概率密度。EPIFNP 利用动态随机相关图以非参数方式建模序列间相关性，并设计不同随机潜变量从多角度捕获函数不确定性。我们在实时流感预测环境下的广泛实验表明，EPIFNP 在准确率与校准指标上均显著优于先前最先进模型，准确率最高达 2.5 倍，校准达 2.4 倍。此外，由于其生成过程的特性，EPIFNP 学习当前季节与历史季节相似模式间的关系，实现可解释的预测。除传染病预测外，EPIFNP 对于推进深度序列模型中原则性不确定性量化以用于预测分析具有独立意义。
引用
@article{arxiv.2106.03904,
title = {When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting},
author = {Harshavardhan Kamarthi and Lingkai Kong and Alexander Rodríguez and Chao Zhang and B. Aditya Prakash},
journal= {arXiv preprint arXiv:2106.03904},
year = {2021}
}
备注
Accepted at NeurIPS 2021