通过识别本地接触网络瓶颈实现有针对性的疫情封控

Jun, 2020

通过识别本地接触网络瓶颈实现有针对性的疫情封控

Targeted Pandemic Containment Through Identifying Local Contact Network Bottlenecks

Shenghao Yang, Priyabrata Senapati, Di Wang, Chris T. Bauch, Kimon Fountoulakis

TL;DR使用基于传播网络流的 p - 范凸优化公式，提出了侦测接连网络中连接节点的瓶颈边的新方法；实验结果表明，这种方法可以比现有 edge-betweenness 方法降低 10% 的感染率，并且速度更快。

Abstract

Decision-making about pandemic mitigation often relies upon simulation modelling. Models of disease transmission through networks of contacts--between individuals or between population centres--are increasingly used for these purposes. Real-world contact networks are rich in structural features that influence infection transmission, such as tightly-knit loca

covid-19 transmission network flow simulation models edge-betweenness centrality bottleneck edges

发现论文，激发创造

网络中的疫情传播：现有方法和当前挑战

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

使用概率性接触追踪在疫情控制中的有效性：超级传播者与传播路径重建的作用

通过集成概率技术进行风险评估，在 COVID-19 疫情的控制和流行扩展阶段，使用口罩和系统性实施的接触追踪策略可能是一种有效且社会影响较小的替代方案。研究发现，概率接触追踪技术在捕获病原体扩散的逆向传播和超级传播事件方面表现出显著的功效。

Dec, 2023

城市交通系统中传染病传播的联系网络扩展

通过分析中国三个城市的地铁乘客的智能卡数据构建联系网络，建立了传染病扩散的模型并发现这些城市的地铁联系网络结构相似，且都存在传染病扩散的风险，因此需要重视和规划相应的交通运营策略。

Feb, 2020

多重网络中基于联系的社交传染

本文基于多重网络提出了一种基于接触的信息传播模型，分析了疫情式社会传染的临界点与最大特征值的关系，并在实际情况下应用该理论框架分析了信息传播。同时，指出当信息传播系统本质是多重时，使用不同层聚合而成的图会产生缺陷。

Jul, 2013

寻找零号病人：使用图神经网络学习传染源

本研究使用图神经网络来定位疫情的源头，实验表明 GNN 可以不需要对疫情动态或其参数进行显式输入就可以接近于理论界限的准确性，在任意图拓扑上推理速度比传统方法快 100 倍以上。同时研究发现疫情的传播就像一个倒计时，强调了及早进行联系追踪的重要性，否则在某个时间点之后就无法准确恢复源头。

Jun, 2020

揭示扩散网络的时间动态

针对在网络上的信息 / 影响 / 疾病扩散，本研究提出了一种基于离散网络的连续时间过程模型，通过已感染节点的传染事件推断全局扩散网络的边缘和每条边缘的传输速率，进而预测、影响和抑制感染传播。该模型具有稀疏解决方案，无需参数调整，可轻松适用于规模在数千到数十万的网络，实验证实了该算法的效果良好。

May, 2011

用于疫情预测的转移图神经网络

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