- Прогнозирование потоков пациентов с изменением концепций, вызванным пандемией, с использованием объяснимого машинного обучения (arXiv)
Автор : Тео Сусняк, Пола Мэддиган
Аннотация: Точное прогнозирование поступления пациентов в клиники неотложной помощи (UCC) и отделения неотложной помощи (ED) важно для эффективного обеспечения ресурсами и ухода за пациентами. Однако правильно оценить потоки пациентов непросто, поскольку это зависит от многих факторов. Прогнозируемость прибытия пациентов в последнее время еще больше осложнилась из-за условий пандемии COVID-19 и связанных с ней ограничений. В этом исследовании изучается, как набор новых переменных, работающих в квазиреальном времени, таких как поисковые запросы Google, пешеходный трафик, преобладающие уровни заболеваемости гриппом, а также индикаторы уровня оповещения о COVID-19, могут как в целом улучшить модели прогнозирования потоков пациентов, так и эффективно адаптировать модели к разворачивающимся изменениям в условиях пандемии. Это исследование также вносит уникальный вклад в объем работы в этой области, используя инструменты из области объяснимого искусственного интеллекта для более глубокого исследования внутренней механики моделей, чем это делалось ранее. Метод на основе ансамбля голосования, сочетающий машинное обучение и статистические методы, оказался наиболее надежным в наших экспериментах. Наше исследование показало, что преобладающая функция уровня оповещения о COVID-19 вместе с поисковыми запросами Google и пешеходным трафиком были эффективны для составления обобщаемых прогнозов. Последствия этого исследования заключаются в том, что прокси-переменные могут эффективно дополнять стандартные функции авторегрессии, обеспечивая точное прогнозирование потоков пациентов. Эксперименты показали, что предложенные функции являются потенциально эффективными входными данными модели для сохранения точности прогнозов в случае будущих пандемических вспышек.
2. О влиянии дрейфа временных понятий на объяснения моделей (arXiv)
Автор: Чжисюэ Чжао, Георгий Златоуст, Калина Бончева, Николаос Алетрас.
Аннотация: Достоверность объяснения предсказаний модели при обработке естественного языка обычно оценивается на основе имеющихся данных из того же временного распределения, что и обучающие данные (т.е. синхронные настройки). Хотя производительность модели часто ухудшается из-за временных изменений (т. е. временного дрейфа концепции), в настоящее время неизвестно, как влияет на достоверность объяснения, когда временной интервал целевых данных отличается от данных, используемых для обучения модели (т. е. асинхронных настроек). С этой целью мы исследуем влияние временных вариаций на объяснения моделей, полученные с помощью восьми методов атрибуции признаков и трех моделей «выбрать, а затем предсказать», в шести задачах классификации текста. Наши эксперименты показывают, что (i) достоверность не является постоянной при временных вариациях между методами атрибуции признаков (например, она уменьшается или увеличивается в зависимости от метода), при этом метод, основанный на внимании, демонстрирует наиболее надежные показатели достоверности во всех наборах данных; и (ii) модели «выбери, затем предскажи» в основном надежны в асинхронных условиях с лишь небольшим ухудшением производительности прогнозирования. Наконец, методы атрибуции признаков демонстрируют противоречивое поведение при использовании в FRESH (т. е. модели выбора и прогнозирования) и для измерения достаточности/полноты (т. е. в качестве апостериорных методов), что позволяет предположить, что нам нужны более надежные показатели для оценки апостериорного объяснения. верность
