研究人员开发出新型数学模型的应用与人工智能的复杂性和训练

研究人员开发出新的统计模型，可以预测哪些城市会成为传染病热点

近日消息，研究人员开发了一种新的统计模型，该模型基于城市之间的相互联系，以及一些城市比其他城市更适合感染的环境这一观点，预测哪些城市更可能成为传染病热点。

缅因大学的Brandon Lieberthal和Allison Gardner在开放存取期刊PLOS Computational Biology中介绍了这些发现。

在流行病中，不同城市触发超级传播者事件的风险不同，超级传播者事件将异常大量的感染者传播到其他城市。先前的研究已经探索了如何根据每个城市与其他城市的连接程度，作为感染环境的独特适用性来确定潜在的“超级传播城市。但是，很少有研究同时考虑到这两个因素。

Lieberthal和Gardner开发了一种数学模型，通过结合城市之间的连通性及其对感染的不同适应性来识别潜在的超级传播者。一个城市的感染适应性取决于所考虑的特定疾病，但可能包含气候，人口密度和卫生条件等特征。

研究人员通过模拟随机分布在网络上的流行病来验证他们的模型。他们发现，一个城市成为超级传播者的风险仅在一定程度上随着感染的适用性而增加，但是随着与其他城市的连通性的增加，风险会无限地增加。

最重要的是，我们的研究产生了一个公式，疾病管理专家可以输入传染病的特性和人类流动网络，并输出最有可能成为超级传播者所在地的城市清单。这可以加强预防或减轻传播的努力。

新模型既可以应用于直接传播的疾病（例如新冠肺炎），也可以应用于媒介传播的疾病（例如蚊子传播的寨卡病毒）。与传统的风险指标相比，它可以提供更深入的指导，但与高级模拟相比，它的计算强度也要低得多。

人工智能及其复杂性：训练人工智能模型类似于教孩子

人工智能使我们的生活变得更好。无论是机器人、自动化汽车，还是Alexa和Siri等基于语音的应用程序，我们都看到了这一切。毫无疑问，人工智能是一种最能利用人类智慧来完成早期只能由人类完成的任务的技术。机器现在具有学习的潜力，并将所获得的知识尽可能地用于最佳用途。所有类似人类的任务现在都是用人工智能来完成的。

人工智能有几个方面，这项杰出技术的领域也是如此。自然语言处理（NLP）、计算机视觉和深度学习是其中一些已经成功地从世界各个角落获得关注和赞赏的领域。机器学习是深度学习的一个子领域，主要围绕着分析数据和对分析数据进行预测。不用说，这一切在很大程度上依赖于人的监督。

SMU信息系统助理教授Sun Qianru谈到人工智能模型的训练与父母教孩子识别物体的方式有如此大的相似性。

人工智能及其复杂性

考虑到人工智能的复杂性，以下讨论

•元学习

•半监督学习

•深度卷积神经网络

•增量学习

这项研究也围绕这些在图像和视频识别中的应用展开。

“先进人工智能系统的快速适应神经网络（FANN）”的研究目前还处于早期阶段。这项研究是围绕计算机视觉展开的。计算机视觉的这一方面采用了依赖于卷积神经网络（CNNs）的算法。审查的领域包括图像识别、图像处理等。所有这些工作都是由科学、技术和研究机构（A*STAR）资助的。

建立基于统计层次知识学习的模型自适应推理层次是FANN的假设。以下是研究所讨论的一切-

•了解人工智能有多复杂的事实后，Sun的研究谈到了训练符合该领域当前趋势的人工智能模型的重要性。

•当对模型进行训练以产生准确的识别结果时，输入的数据量是巨大的。Sun举了一个人脸识别的例子来支持这一点。她认为，如果只有一张脸可供系统识别，那么它将如何区分这张脸和其他脸呢？只有当足够的数据量发挥作用时，只有当其他人脸也被用于人脸识别时，模型才能成功识别。要了解这些差异，模型应该有大量的数据可以依赖。

•综上所述，机器学习模型具有识别全局特征的潜力这一事实不容忽视。这些模型对有助于产生所需识别结果的可用数据进行编码。该模型成功地实现了对图像、文本和声音的识别。所有这些都采用了包含许多层的深层神经网络结构。

•Sun的研究考虑了两个主要方面。一种是一些机器学习模型在标记的数据集上训练自己。另一个问题是，最好的人工智能模型都是基于深度学习的。这项研究解决了如何建立模型来确定数据，然后对数据进行分类的问题。

•教授谈到了当预测被证明是错误的时候，一些模型是如何更新的。

•Sun正在进行另一个项目。这是新加坡健康促进委员会的一份食品相关申请。这个应用程序的主要思想是让用户对他们食用的食物的营养价值有一个公平的认识。用户可以利用这些信息引导健康的生活方式。用户所要做的就是给他们正在吃的食物拍照，就这样。所有相关信息都在他们的智能手机上。

•然而，这正是复杂性开始的地方。在训练一名模特时，她的团队引入了一组有限的类别。但是，随着不同的照片被点击，扩大分类的需求开始发挥作用。不仅如此，还需要在应用程序编程接口（API）中定期更新和修改类别列表。

•这个地方带来的丰富多样性给团队带来了挑战。来自不同的地方，来自不同的文化。因此，团队需要特别注意通过使用有效的学习算法来训练他们的模型。

•所有这些要求不仅要收集不同的数据，还要开发不同的适应学习算法。这种复杂性肯定存在，团队计划通过使用一个小数据集来解决这个问题。

Sun及其团队的这项研究旨在实现高鲁棒性和计算效率，特别是在图像识别方面。研究团队相信，研究成果将带来巨大的好处。关键是大大提高成品率和降低生产成本。当快速适应的检测设备经过安装、制造和测试过程时，所有这些都将发挥关键作用。
编辑：lyn