Dec, 2018

基于机器学习的流行病学：实时检测规模化食源性疾病

PDF
TL;DR利用机器学习技术，通过匿名和聚合的网络搜索和位置数据实现食源性疾病实时检测。该技术可显著提高餐厅检查准确性，并获取此前难以获得的流行病学信息，可帮助预防食品中毒等公共卫生问题。
machine learningpublic healthfoodborne illness detectionrestaurant inspectionsepidemiological information
发现论文，激发创造
  • TWEET-FID: 一个标注的数据集用于多种食源性疾病检测任务

    提供了 TWEET-FID（TWEET-Foodborne Illness Detection）这一被专家和众包工作者标注后的公开多重食源性疾病事件检测数据集，使用该数据集，并利用多种预训练深度学习方法进行训练，可以加速机器学习模型的开发，推动食源性疾病爆发的快速识别和应对

    May, 2022

  • UCE-FID: 利用大量未标记数据、中等规模的众包标记数据和少量专家标记数据进行食源性病例检测

    利用小型专家标记的推文与众包标记和大量未标记的数据，EGAL 提出了一种用于食物传播疾病检测的深度学习框架，通过将错误标记的推文权重设置为零以减轻其负面影响，并通过给其他推文分配相应的权重来平衡不平衡的类分布，从而克服了标记食物传播疾病相关推文的困难，实验证明 EGAL 在不同设置下优于强基准模型，并可用于食物传播疾病爆发监测。

    Dec, 2023

  • 机器学习模型预测疫情爆发

    使用机器学习和深度学习算法，预测纽约州新的一次流感、肝炎和疟疾的疫情爆发，并创建了一个可在爆发时向当局和医疗组织发送警报的门户网站。

    Oct, 2023

  • 现代机器学习预测模型在传染病诊断中的应用

    通过对使用机器学习算法诊断传染病的最新研究文章的综述，我们发现大多数文章使用小数据集，结论表明合适的机器学习技术取决于数据集的类型和预期目标。

    Jun, 2022

  • 机器学习在传染病风险预测中的应用调查

    通过机器学习可以定量描述疾病传播模式并准确预测传染性疾病风险，促进疾病预防和控制。

    Aug, 2023

  • 应用机器学习检测食品中的霉菌毒素：综述

    从事机器学习方法在食品安全行业中，尤其是检测霉菌毒素和其他食品成分的存在方面的研究，探讨了近年来机器学习应用的优势、挑战和未来发展潜力，以及对数据和代码的公开获取有关的疑虑。研究结果显示，尽管多数研究主要利用神经网络进行霉菌毒素的检测，但在所采用的神经网络架构中存在着显著的多样性，其中卷积神经网络最为普遍。

    Apr, 2024

  • 基于机器学习模型的学术环境中食品推荐系统

    使用混合推荐系统结合协同过滤、基于内容和基于知识的模型，以及决策树、k - 近邻、AdaBoost 和 Bagging 等机器学习模型根据能量指标和学生的食品选择历史，将大学餐厅的食物推荐给学生，其中 AdaBoost 模型的准确率最高，为 73.70%。

    Jun, 2023

  • 仅使用英文注释检测多语言的食源性疾病投诉

    本研究提出了一种跨语言学习方法，通过机器翻译构建人工训练文档，训练出多语言分类器，从而实现在多语言文档中进行食源性疾病的早期探测，具有很好的应用前景。

    Oct, 2020

  • 基于计算机人工智能深度学习技术的疾病预测模型构建研究

    通过研究稳健学习算法并将其应用于传染病风险的预警，本项目提出了一种动态截断损失模型，将传统的互信息隐式权重特征与平均变异特征相结合，通过降低受噪声影响的训练结果引入训练损失的下界和基于采样率的方法，验证了该方法在不同噪声类型下的有效性，并实现了包含标签噪声数据的稳健学习。

    Jun, 2024

  • 农民助手：基于机器学习的农业解决方案应用

    开发了一个易于使用的网络应用程序，以解决种植作物面临的问题，其中包括作物推荐、肥料推荐、植物病害预测和交互式新闻提要，同时应用解释性技术解释病害检测模型的预测。

    Apr, 2022