Dynamic and Baseline Multi-Task Learning for Predicting Substance Use Initiation in the ABCD Study
Cette étude démontre que l'intégration de données longitudinales dans des modèles d'apprentissage multitâche dynamiques améliore significativement la prédiction de l'initiation à la consommation de substances chez les adolescents par rapport aux modèles statiques, en exploitant à la fois la structure temporelle et les informations partagées entre différentes substances.