研究人員開發(fā)出新的統(tǒng)計(jì)模型，可以預(yù)測哪些城市會(huì)成為傳染病熱點(diǎn)

近日消息，研究人員開發(fā)了一種新的統(tǒng)計(jì)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(diǎn)，預(yù)測哪些城市更可能成為傳染病熱點(diǎn)。

緬因大學(xué)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(jí)傳播者事件的風(fēng)險(xiǎn)不同，超級(jí)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(gè)城市與其他城市的連接程度，作為感染環(huán)境的獨(dú)特適用性來確定潛在的“超級(jí)傳播城市。但是，很少有研究同時(shí)考慮到這兩個(gè)因素。

Lieberthal和Gardner開發(fā)了一種數(shù)學(xué)模型，通過結(jié)合城市之間的連通性及其對(duì)感染的不同適應(yīng)性來識(shí)別潛在的超級(jí)傳播者。一個(gè)城市的感染適應(yīng)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(jī)分布在網(wǎng)絡(luò)上的流行病來驗(yàn)證他們的模型。他們發(fā)現(xiàn)，一個(gè)城市成為超級(jí)傳播者的風(fēng)險(xiǎn)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(fēng)險(xiǎn)會(huì)無限地增加。

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

新模型既可以應(yīng)用于直接傳播的疾病（例如新冠肺炎），也可以應(yīng)用于媒介傳播的疾病（例如蚊子傳播的寨卡病毒）。與傳統(tǒng)的風(fēng)險(xiǎn)指標(biāo)相比，它可以提供更深入的指導(dǎo)，但與高級(jí)模擬相比，它的計(jì)算強(qiáng)度也要低得多。

人工智能及其復(fù)雜性：訓(xùn)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(jī)器人、自動(dòng)化汽車，還是Alexa和Siri等基于語音的應(yīng)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(wù)的技術(shù)。機(jī)器現(xiàn)在具有學(xué)習(xí)的潛力，并將所獲得的知識(shí)盡可能地用于最佳用途。所有類似人類的任務(wù)現(xiàn)在都是用人工智能來完成的。

人工智能有幾個(gè)方面，這項(xiàng)杰出技術(shù)的領(lǐng)域也是如此。自然語言處理（NLP）、計(jì)算機(jī)視覺和深度學(xué)習(xí)是其中一些已經(jīng)成功地從世界各個(gè)角落獲得關(guān)注和贊賞的領(lǐng)域。機(jī)器學(xué)習(xí)是深度學(xué)習(xí)的一個(gè)子領(lǐng)域，主要圍繞著分析數(shù)據(jù)和對(duì)分析數(shù)據(jù)進(jìn)行預(yù)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(xùn)練與父母教孩子識(shí)別物體的方式有如此大的相似性。

人工智能及其復(fù)雜性

考慮到人工智能的復(fù)雜性，以下討論

?元學(xué)習(xí)

?半監(jiān)督學(xué)習(xí)

?深度卷積神經(jīng)網(wǎng)絡(luò)

?增量學(xué)習(xí)

這項(xiàng)研究也圍繞這些在圖像和視頻識(shí)別中的應(yīng)用展開。

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

建立基于統(tǒng)計(jì)層次知識(shí)學(xué)習(xí)的模型自適應(yīng)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(fù)雜的事實(shí)后，Sun的研究談到了訓(xùn)練符合該領(lǐng)域當(dāng)前趨勢的人工智能模型的重要性。

?當(dāng)對(duì)模型進(jìn)行訓(xùn)練以產(chǎn)生準(zhǔn)確的識(shí)別結(jié)果時(shí)，輸入的數(shù)據(jù)量是巨大的。Sun舉了一個(gè)人臉識(shí)別的例子來支持這一點(diǎn)。她認(rèn)為，如果只有一張臉可供系統(tǒng)識(shí)別，那么它將如何區(qū)分這張臉和其他臉呢？只有當(dāng)足夠的數(shù)據(jù)量發(fā)揮作用時(shí)，只有當(dāng)其他人臉也被用于人臉識(shí)別時(shí)，模型才能成功識(shí)別。要了解這些差異，模型應(yīng)該有大量的數(shù)據(jù)可以依賴。

?綜上所述，機(jī)器學(xué)習(xí)模型具有識(shí)別全局特征的潛力這一事實(shí)不容忽視。這些模型對(duì)有助于產(chǎn)生所需識(shí)別結(jié)果的可用數(shù)據(jù)進(jìn)行編碼。該模型成功地實(shí)現(xiàn)了對(duì)圖像、文本和聲音的識(shí)別。所有這些都采用了包含許多層的深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

?Sun的研究考慮了兩個(gè)主要方面。一種是一些機(jī)器學(xué)習(xí)模型在標(biāo)記的數(shù)據(jù)集上訓(xùn)練自己。另一個(gè)問題是，最好的人工智能模型都是基于深度學(xué)習(xí)的。這項(xiàng)研究解決了如何建立模型來確定數(shù)據(jù)，然后對(duì)數(shù)據(jù)進(jìn)行分類的問題。

?教授談到了當(dāng)預(yù)測被證明是錯(cuò)誤的時(shí)候，一些模型是如何更新的。

?Sun正在進(jìn)行另一個(gè)項(xiàng)目。這是新加坡健康促進(jìn)委員會(huì)的一份食品相關(guān)申請(qǐng)。這個(gè)應(yīng)用程序的主要思想是讓用戶對(duì)他們食用的食物的營養(yǎng)價(jià)值有一個(gè)公平的認(rèn)識(shí)。用戶可以利用這些信息引導(dǎo)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(jī)上。

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

?這個(gè)地方帶來的豐富多樣性給團(tuán)隊(duì)帶來了挑戰(zhàn)。來自不同的地方，來自不同的文化。因此，團(tuán)隊(duì)需要特別注意通過使用有效的學(xué)習(xí)算法來訓(xùn)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(yīng)學(xué)習(xí)算法。這種復(fù)雜性肯定存在，團(tuán)隊(duì)計(jì)劃通過使用一個(gè)小數(shù)據(jù)集來解決這個(gè)問題。

Sun及其團(tuán)隊(duì)的這項(xiàng)研究旨在實(shí)現(xiàn)高魯棒性和計(jì)算效率，特別是在圖像識(shí)別方面。研究團(tuán)隊(duì)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(dāng)快速適應(yīng)的檢測設(shè)備經(jīng)過安裝、制造和測試過程時(shí)，所有這些都將發(fā)揮關(guān)鍵作用。
編輯：lyn