食安預警準確度攀升 機器學習導入跨國通報網路成關鍵
全球化食品供應鏈複雜且龐大，一旦爆發污染往往牽連甚廣。一項刊登於期刊 Discover Food 的最新運算研究指出，研究團隊將跨國貿易與通報的網路結構特徵，導入標準機器學習模型中，成功大幅提升食安風險嚴重性的預測表現。
這項研究分析了歐盟委員會「食品及飼料快速預警系統」（European Rapid Alert System for Food and Feed）在 2019 年至 2025 年間記錄的 28,708 則通報。研究人員將原始資料中 626 種國家名稱字串標準化為 163 個標準國家實體，並進一步建構出三層網路結構：國與國通報網路、危害物質共現網路，以及連結產品類別與來源國的雙向網路。
分析顯示，國與國之間的通報網絡具備顯著的小世界網絡特徵，包含 163 個節點與 1,663 條連線，平均群聚係數達 0.714，並透過演算法辨識出 9 個結構性社群。
導入網路特徵 模型判讀實力躍升
研究團隊一共測試了五種演算法，包括羅吉斯迴歸（Logistic Regression）、隨機森林（Random Forest）、Gradient Boosting、Extra Trees 與 Multi-Layer Perceptron。機器學習（一種讓電腦從大量歷史數據中自動找出規則與趨勢的 AI 技術）在加入國與國通報網路特徵後，各模型的預測能力均出現實質改善。
表現最佳的 Gradient Boosting 演算法，其綜合評估指標 Macro F1 分數從原先的 0.704 大幅提升至 0.763，曲線下面積（AUC）也從 0.816 提升至 0.867。如果再疊加危害物質共現與產品來源網路特徵，Macro F1 分數還能再增加 0.014。為了避免資訊洩漏造成過度樂觀的誤差，研究全程採用 5 折交叉驗證，並在每個訓練折疊中重新計算所有網路指標。
該成果展示了從跨國供應鏈的相互關聯性著手，能夠有效協助主管機關從歷史預警資料中提前辨識高風險事件，相關研究成果已刊載於期刊研究全文。
參考來源
-
Bayesian Neural Network Predicts Early Microbial Food Spoila…（Bioengineer.org）
-
Study Evaluates Next-Generation Risk Assessment Strategy for…（Bioengineer.org）
-
Network Features Boost Machine Learning Predictions of Food…（Bioengineer.org）
如何提升食品安全預警的準確度？
透過將跨國貿易與通報的網路結構特徵導入標準機器學習模型，能大幅提升食品安全風險嚴重性的預測表現。研究分析了2019年至2025年間歐盟委員會食品及飼料快速預警系統的28,708則通報，並建構出國與國通報網路、危害物質共現網路，以及連結產品類別與來源國的雙向網路。在加入國與國通報網路特徵後，機器學習模型的預測能力顯著改善，其中Gradient Boosting演算法的Macro F1分數從0.704提升至0.763，AUC從0.816提升至0.867。
這項研究分析了哪些數據？
研究分析了歐盟委員會食品及飼料快速預警系統在2019年至2025年間記錄的28,708則通報資料。這些資料經過標準化處理，將626種國家名稱字串轉換為163個標準國家實體。
導入網路特徵後，哪種演算法的預測能力提升最多？
表現最佳的是Gradient Boosting演算法，其綜合評估指標Macro F1分數從原先的0.704大幅提升至0.763，曲線下面積（AUC）也從0.816提升至0.867。若再疊加其他網路特徵，分數還能進一步增加。
