研究人員開發(fā)出新的統(tǒng)計模型，可以預測哪些城市會成為傳染病熱點

近日消息，研究人員開發(fā)了一種新的統(tǒng)計模型，該模型基于城市之間的相互聯(lián)系，以及一些城市比其他城市更適合感染的環(huán)境這一觀點，預測哪些城市更可能成為傳染病熱點。

緬因大學的Brandon Lieberthal和Allison Gardner在開放存取期刊PLOS Computational Biology中介紹了這些發(fā)現(xiàn)。

在流行病中，不同城市觸發(fā)超級傳播者事件的風險不同，超級傳播者事件將異常大量的感染者傳播到其他城市。先前的研究已經(jīng)探索了如何根據(jù)每個城市與其他城市的連接程度，作為感染環(huán)境的獨特適用性來確定潛在的“超級傳播城市。但是，很少有研究同時考慮到這兩個因素。

Lieberthal和Gardner開發(fā)了一種數(shù)學模型，通過結(jié)合城市之間的連通性及其對感染的不同適應性來識別潛在的超級傳播者。一個城市的感染適應性取決于所考慮的特定疾病，但可能包含氣候，人口密度和衛(wèi)生條件等特征。

研究人員通過模擬隨機分布在網(wǎng)絡上的流行病來驗證他們的模型。他們發(fā)現(xiàn)，一個城市成為超級傳播者的風險僅在一定程度上隨著感染的適用性而增加，但是隨著與其他城市的連通性的增加，風險會無限地增加。

最重要的是，我們的研究產(chǎn)生了一個公式，疾病管理專家可以輸入傳染病的特性和人類流動網(wǎng)絡，并輸出最有可能成為超級傳播者所在地的城市清單。這可以加強預防或減輕傳播的努力。

新模型既可以應用于直接傳播的疾?。ɡ缧鹿诜窝祝?，也可以應用于媒介傳播的疾?。ɡ缥米觽鞑サ恼ú《荆?。與傳統(tǒng)的風險指標相比，它可以提供更深入的指導，但與高級模擬相比，它的計算強度也要低得多。

人工智能及其復雜性：訓練人工智能模型類似于教孩子

人工智能使我們的生活變得更好。無論是機器人、自動化汽車，還是Alexa和Siri等基于語音的應用程序，我們都看到了這一切。毫無疑問，人工智能是一種最能利用人類智慧來完成早期只能由人類完成的任務的技術(shù)。機器現(xiàn)在具有學習的潛力，并將所獲得的知識盡可能地用于最佳用途。所有類似人類的任務現(xiàn)在都是用人工智能來完成的。

人工智能有幾個方面，這項杰出技術(shù)的領(lǐng)域也是如此。自然語言處理（NLP）、計算機視覺和深度學習是其中一些已經(jīng)成功地從世界各個角落獲得關(guān)注和贊賞的領(lǐng)域。機器學習是深度學習的一個子領(lǐng)域，主要圍繞著分析數(shù)據(jù)和對分析數(shù)據(jù)進行預測。不用說，這一切在很大程度上依賴于人的監(jiān)督。

SMU信息系統(tǒng)助理教授Sun Qianru談到人工智能模型的訓練與父母教孩子識別物體的方式有如此大的相似性。

人工智能及其復雜性

考慮到人工智能的復雜性，以下討論

?元學習

?半監(jiān)督學習

?深度卷積神經(jīng)網(wǎng)絡

?增量學習

這項研究也圍繞這些在圖像和視頻識別中的應用展開。

“先進人工智能系統(tǒng)的快速適應神經(jīng)網(wǎng)絡（FANN）”的研究目前還處于早期階段。這項研究是圍繞計算機視覺展開的。計算機視覺的這一方面采用了依賴于卷積神經(jīng)網(wǎng)絡（CNNs）的算法。審查的領(lǐng)域包括圖像識別、圖像處理等。所有這些工作都是由科學、技術(shù)和研究機構(gòu)（A*STAR）資助的。

建立基于統(tǒng)計層次知識學習的模型自適應推理層次是FANN的假設(shè)。以下是研究所討論的一切-

?了解人工智能有多復雜的事實后，Sun的研究談到了訓練符合該領(lǐng)域當前趨勢的人工智能模型的重要性。

?當對模型進行訓練以產(chǎn)生準確的識別結(jié)果時，輸入的數(shù)據(jù)量是巨大的。Sun舉了一個人臉識別的例子來支持這一點。她認為，如果只有一張臉可供系統(tǒng)識別，那么它將如何區(qū)分這張臉和其他臉呢？只有當足夠的數(shù)據(jù)量發(fā)揮作用時，只有當其他人臉也被用于人臉識別時，模型才能成功識別。要了解這些差異，模型應該有大量的數(shù)據(jù)可以依賴。

?綜上所述，機器學習模型具有識別全局特征的潛力這一事實不容忽視。這些模型對有助于產(chǎn)生所需識別結(jié)果的可用數(shù)據(jù)進行編碼。該模型成功地實現(xiàn)了對圖像、文本和聲音的識別。所有這些都采用了包含許多層的深層神經(jīng)網(wǎng)絡結(jié)構(gòu)。

?Sun的研究考慮了兩個主要方面。一種是一些機器學習模型在標記的數(shù)據(jù)集上訓練自己。另一個問題是，最好的人工智能模型都是基于深度學習的。這項研究解決了如何建立模型來確定數(shù)據(jù)，然后對數(shù)據(jù)進行分類的問題。

?教授談到了當預測被證明是錯誤的時候，一些模型是如何更新的。

?Sun正在進行另一個項目。這是新加坡健康促進委員會的一份食品相關(guān)申請。這個應用程序的主要思想是讓用戶對他們食用的食物的營養(yǎng)價值有一個公平的認識。用戶可以利用這些信息引導健康的生活方式。用戶所要做的就是給他們正在吃的食物拍照，就這樣。所有相關(guān)信息都在他們的智能手機上。

?然而，這正是復雜性開始的地方。在訓練一名模特時，她的團隊引入了一組有限的類別。但是，隨著不同的照片被點擊，擴大分類的需求開始發(fā)揮作用。不僅如此，還需要在應用程序編程接口（API）中定期更新和修改類別列表。

?這個地方帶來的豐富多樣性給團隊帶來了挑戰(zhàn)。來自不同的地方，來自不同的文化。因此，團隊需要特別注意通過使用有效的學習算法來訓練他們的模型。

?所有這些要求不僅要收集不同的數(shù)據(jù)，還要開發(fā)不同的適應學習算法。這種復雜性肯定存在，團隊計劃通過使用一個小數(shù)據(jù)集來解決這個問題。

Sun及其團隊的這項研究旨在實現(xiàn)高魯棒性和計算效率，特別是在圖像識別方面。研究團隊相信，研究成果將帶來巨大的好處。關(guān)鍵是大大提高成品率和降低生產(chǎn)成本。當快速適應的檢測設(shè)備經(jīng)過安裝、制造和測試過程時，所有這些都將發(fā)揮關(guān)鍵作用。
編輯：lyn