Dynamic and Baseline Multi-Task Learning for Predicting Substance Use Initiation in the ABCD Study
Diese Studie zeigt, dass dynamische Multi-Task-Learning-Modelle, die longitudinale Daten nutzen, die Vorhersage des Beginns von Substanzkonsum bei Jugendlichen im ABCD-Studienkontext im Vergleich zu statischen Baseline-Modellen signifikant verbessern, wobei die Einbeziehung zeitabhängiger Informationen der entscheidende Faktor für den Leistungsgewinn ist.