分析医疗时间序列数据具有挑战性,而多维度且具有不规则采样、噪声和缺失值的数据、违反可交换性的异质患者组以及可解释性和不确定性量化至关重要。本文提出了一种新颖的模型类别 —— 混合耦合隐马尔可夫模型(M-CHMM),并展示了它优雅地解决了这些挑战。通过提出基于(i)粒子滤波和(ii)分解近似的采样器算法,我们使模型学习成为可能。与现有推理方法相比,我们的算法具有计算可行性、改善混合度和似然估计的特点,似然估计对于学习混合模型是必要的。对具有挑战性的真实流行病学和半合成数据的实验证明了 M-CHMM 的优点:改善数据拟合,能够高效处理缺失和噪声测量,提高预测准确性,并能够识别数据中可解释的子集。
Nov, 2023
本文提出一种 SIS 模型的改进版,将警惕性引入该模型,得到了一个连续时间马尔可夫过程,并且证明了该模型的传播具有两个明显的阈值。实验进一步证明了,警惕性可以被视为控制流行病的一种策略,对从传染病缓解到减少恶意软件影响的多个应用领域具有潜在的发掘价值。
Jul, 2011
本文研究了基于网络结构模型下的传染病传播,讨论了现有的数学模型的优势和劣势,并探讨了它们在其他人口群体中的应用和现有挑战。
Mar, 2014
在流行病期间使用初始群体筛查来准确估计个体感染状况的可能性得到了开放,通过使用个体感染状况作为隐藏状态和群体测试结果作为观测结果,扩展了基于图耦合的隐马尔可夫模型,对模拟数据集拟合模型得到了 0.55 的 AUC。
Jun, 2023
本文综述了图神经网络在流行病任务中的应用,介绍了疫情任务和方法学的分层分类,并系统地梳理了方法学的详细内容和现有方法的局限性,同时提出未来的研究方向。
Mar, 2024
本文研究人口流动对 COVID-19 传播的影响,并利用图形表示学习领域的最新进展来捕捉其潜在动态。我们创建了一张图表,其中节点对应于一个国家的地区,边缘权重表示从一个区域到另一个区域的人类流动。我们使用图神经网络来预测未来案例的数量,并通过异步爆发和元学习的方法,将一个国家的模型的知识转移到另一个国家的模型上。实验结果证明了我们方法的优越性。
Sep, 2020
本文研究人类移动性在感染病毒建模中的重要性,并通过分析 29 个国家的移动数据和构建重力模型,以及将短程通勤流纳入全球疫情结构化流行病模型中,证明通勤流的引入会影响到疫情在近距离群体中的传播,但对全球模式的影响相对较小。
Jul, 2009
本文通过扩展树状数据上的隐马尔可夫模型 (HMMs) 框架,专注于解决具有相互关联分支的树状结构数据的场景,研发了一种能够高效解决似然、解码和参数学习问题的动态规划算法,具有多项式规模计算可行性且不受下溢问题的影响,为分析复杂生物数据提供了实用工具,同时推进了对树状 HMMs 的理论理解。
Jun, 2024
通过新提出的潜在影响点过程模型 (Latent Influence Point Process,LIPP) 来量化传染病在人口密集地区的内部动态对事件发生的反馈(触发区域性爆发疫情的前期病例存在的可能性),并研究了昆士兰州 15 年的登革热病例,发现爆发主要由州间全局扩散所驱动,而密集地区的疫情受到前期流行病的缓慢而持续的反馈,而边缘区域的疫情则受到快速但不稳定的反馈。该模型揭示了不同组之间的直接和间接扩散过程以及基于接触和向量传播疾病的概率因果关系。
Jan, 2018
本文研究社交网络,尤其是社交网络上疾病的传播,在物理学界引起了广泛关注。我们证明了一类称为易感性 / 传染性 / 移除 (SIR) 模型可以在各种网络上得到精确解。此外,我们解决了各种时间和概率是非均匀和相关的情况,也考虑了一个简单的结构化群体的流行病情况,即男女分组的性传播疾病。通过在网络上进行 SIR 疫情的数值模拟,我们证实了我们的解的正确性。
Apr, 2002