AI模型利用纵向和图数据预测青少年物质使用

研究人员开发了先进的模型，利用ABCD研究的数据来预测青少年物质使用的发病率。通过比较横断面、纵向和基于图的方法，他们发现纵向模型在基线预测方面始终表现优于其他方法。时间XGBoost表现出最强的独立性能，而时间图卷积网络（T-GCNs）提供了互补的风险信号。通过分数级堆叠结合这些方法取得了最佳结果，识别出同伴偏差、年龄和父母监督等关键预测因素。 AI

影响 展示了用于早期识别青少年物质使用风险的先进AI技术，可能有助于预防工作。

排序理由 学术论文，详细介绍了青少年物质使用的新预测建模方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• ABCD Study
• AUC-ROC
• Hugging Face
• Temporal Graph Convolutional Networks
• T-GCNs
• XGBoost

• 论文
• 安全
• 产品

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →