十二月，在NeurIPS公共健康机器学习研讨会上，一篇关于COVID-19感染传播预测新方法的论文获得了最佳论文奖。这项研究与来自某中心和加州大学圣迭戈分校的同事共同完成。
过去，研究人员使用两种不同的方法来预测COVID传播。一种是“仓室”模型，它使用微分方程计算人群在不同暴露类别（或仓室）之间的转换，例如易感、暴露和感染。另一种是深度学习模型，它分析大量训练数据以识别预测未来传播的因素。仓室模型通常在预测感染和康复方面表现更好，而深度学习模型在预测死亡方面表现更佳。
在题为“AutoODE：连接基于物理和数据驱动的COVID-19预测建模”的论文中，提出了一种混合方法，同时使用常微分方程和一个简单的线性机器学习模型。实验发现，该方法相比早期的仓室模型（平均绝对误差降低了36.5%）和深度学习模型（平均绝对误差降低了57.4%）都有所改进。
典型的仓室模型将人群分为少数几个类别。该混合模型是SEIR模型的一个变体，其类别包括易感者、暴露者、感染者和移除者（包括康复和死亡）。通过将死亡作为一个单独的类别，对该模式进行了轻微调整。
仓室模型使用常微分方程描述这些类别之间的转换，其参数是传播率、潜伏期、发现率和康复率的固定值。该模型的主要创新是从数据中学习这些参数，而不是基于统计分析。因此，该模型被称为AutoODE，因为它能自动学习常微分方程。
AutoODE估计传播率的方法比现有的仓室模型更加细致。首先，假设传播率因美国各州而异，因为不同州制定了不同的应对COVID的政策。为了学习传播率，从一个50x50的邻接矩阵开始，该矩阵映射了美国所有50个州之间的关系。矩阵单元中的条目仅仅是表示两个州是否相邻的二元指标。然后，AutoODE学习一个相关矩阵，该矩阵与邻接矩阵相乘，生成一个特定传播率的矩阵，包括州内和跨州的传播率。为了提高计算效率，在计算相关矩阵时使用了低秩近似。
还假设传播率会随时间变化，因为各州政策会改变。因此，训练模型识别数据中的拐点，这些拐点引入了新的传播率。学习算法根据时间距离对训练数据进行加权，较近的测量值比较旧的测量值获得更大的权重。
与计算密集的深度学习模型相比，这个简单的线性模型训练效率非常高，因此可以在新数据到达时定期更新。
在实验中，将AutoODE与六个不同的深度学习模型和一个最先进的仓室模型进行了比较。评估了这些模型在三个不同的七天周期内对新感染、移除（康复或死亡）和死亡的预测能力。在预测死亡的任务上，深度学习模型比AutoODE略准确一些，但差距很小，而且AutoODE的表现优于仓室模型。在另外两项任务——预测感染和康复——上，对于所有三个七天周期，AutoODE的表现都优于所有七个基线模型。FINISHED
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）
