研究人工智能工具的新工具

將來，類似的技術(shù)也可以用于預(yù)測CO-VID-19感染的浪潮。由于CO-VID-19是一種新型病毒，因此沒有用于訓(xùn)練AI算法的歷史數(shù)據(jù)。Ning指出，仍然每天都在收集大量位置編碼的CO-VID-19數(shù)據(jù)。寧說：“隨著我們繼續(xù)研究CO-VID-19大流行，這可以使我們更快地訓(xùn)練算法。"

得益于史蒂文斯理工學(xué)院研究人員開發(fā)的一種新的基于AI的預(yù)測工具，預(yù)測流感的爆發(fā)變得更加容易。

通過合并位置數(shù)據(jù)，AI系統(tǒng)能夠勝過其他-新的預(yù)測方法，準(zhǔn)確性提高多達11%，并可以在15周之前預(yù)測流感爆發(fā)。

過去的預(yù)測工具試圖通過研究感染率隨時間變化的方式來發(fā)現(xiàn)模式，但是領(lǐng)導(dǎo)史蒂文斯研究的岳寧和她的團隊使用圖神經(jīng)網(wǎng)絡(luò)將流感病毒感染編碼為相互聯(lián)-系的區(qū)域集群。這使得他們的算法可以找出流行性感冒感染從一個區(qū)域流向另一區(qū)域的方式中的模式，并且還可以使用某個區(qū)域中發(fā)現(xiàn)的模式來告知其在其他位置的預(yù)測。

計算機科學(xué)副教授寧說：“捕獲時空的相互作用使我們的機制能夠識別隱藏的模式，并比以往任何時候都更準(zhǔn)確地預(yù)測流感的爆發(fā)。"“通過實現(xiàn)更好的資源分配和公共衛(wèi)生計劃，該工具將對我們應(yīng)對流感爆發(fā)的方式產(chǎn)生重大影響。"

Ning和她的團隊使用來自美國和日本的真實州和地區(qū)數(shù)據(jù)訓(xùn)練了他們的AI工具，然后針對歷史流感數(shù)據(jù)測試了其預(yù)測。其他模型可以使用過去的數(shù)據(jù)提前一周或兩周來預(yù)測流感爆發(fā)，但是結(jié)合位置數(shù)據(jù)可以在幾個月的時間內(nèi)進行更可靠的預(yù)測。他們的工作在第29屆ACM信息和知識管理會議的10月19日至23日會議記錄中進行了報道。

Ning解釋說：“我們的模型也非常透明-其他AI預(yù)測使用“黑匣子"算法，我們能夠解釋為什么我們的系統(tǒng)做出了具體的預(yù)測，以及它如何認(rèn)為不同地區(qū)的疫情會相互影響。 。