基于增量学习的冠状病毒人际感染预测研究

2019年底至今,新型冠状病毒大流行严重影响了公众卫生和社会秩序,而基于机器学习的预测方法可以判别冠状病毒的可感染性表型和大流行风险。目前,已发现6类感染人的冠状病毒,病毒基因组序列差异显著,病毒持续遗传变异导致机器学习模型性能下降并引发潜在的学习遗忘现象。文章基于增量学习的模型框架,使用One-class SVM算法对冠状病毒新类群进行持续鉴别,并进一步使用参数共享和知识蒸馏的联合策略改造BP神经网络,对冠状病毒人际感染表型进行持续学习和预测。结果显示,One-class SVM对6类病毒区分的权衡参数v组合在0.92、0.81、0.24、0.11、0.55、0.20下达到最优的病毒类群分类效果;当隐藏层节点批次增加为6时,预测模型取得最好性能表现,IAC取得最大值0.9035,BT取得最大值-0.0399,有效地抑制了神经网络模型的学习遗忘趋势,模型的预测性能接近联合训练的性能表现(IAC:0.9236),明显优于未使用知识蒸馏的神经网络(IAC:0.7764),进一步与其他增量方法比较,优于基于样本的ESRIL方法(IAC:0.8662)和基于模型参数的CCLL方法(IAC:0.8853),具有重要的公共卫生应用价值。