KDDAug, 2020

强化疫情控制：拯救生命和经济

PDF
TL;DR本研究将 Origin-Designation 数据应用于控制区域流动性，以解决疫情控制和经济发展的两难问题，并设计了一种名为 DURLECA 的算法来搜索最佳的流动性控制策略，通过使用 Flow-GNN 模型来评估病毒传播风险，通过 DURLECA 模型，成功将城市中的感染率降低至极低，同时保持了 76% 的城市流动性。
epidemic controlsmart-tracing technologyprivacy concernsmobility-control policiesgraph neural network
发现论文，激发创造
  • 通过强化学习对流行病控制政策的建模与优化

    通过使用多目标强化学习和流行病学模型，研究提供了一种优化决策的方法来同时减少经济影响和感染率的多种大流行病场景。

    Jan, 2024

  • COVID-19 缓解政策优化的强化学习

    本研究使用强化学习和基于代理的模拟器，探讨如何优化减轻 COVID-19 冲击的策略，以最小化其对经济的影响，同时避免超过医院的收治能力。该研究结果验证了其用于仿真传染病传播的精细程度以及强化学习方法在实际中的表现。

    Oct, 2020

  • 利用强化学习探究多目标 COVID-19 缓解政策的帕累托前沿

    本研究使用深度多目标强化学习方法，以 Pareto Conditioned Networks (PCN) 算法为基础，尝试学习并平衡 COVID-19 流行病的多种防控策略，涉及病例、医院感染率、社会负担等多个指标，为疫情决策提供了重要洞见。

    Apr, 2022

  • 深度强化学习用于大规模疫情控制

    本文使用深度强化学习方法，针对流感大流行背景下预防策略自动学习的挑战性进程，建立新的流行病学元群体模型，利用极近政策优化算法学习单一区域的预防策略，并在 11 个区域的联合控制 policy 中考虑区域间的协作，从而有效应对具有大状态空间的复杂流行病学模型。

    Mar, 2020

  • SIR-RL：新兴市场和发展中经济体流行病爆发的优化政策控制强化学习

    本研究介绍了一种创新和伦理的策略来在传染病爆发期间平衡公共卫生和经济稳定，通过引入一种新型强化学习框架，该框架利用 SIR 模型，整合了封锁措施（通过严格指数）和疫苗接种策略来模拟疾病动态。

    Apr, 2024

  • 利用强化学习和图神经网络控制图动态

    考虑通过有限的干预来控制动态过程。我们将这个问题表述为关于时间图过程的顺序决策问题，并设计了一个新颖的可行方案来控制时间图上的动态过程。我们成功地将方法应用于两个流行问题：优先考虑哪些节点进行检测以限制疫情传播，以及影响最大化问题。

    Oct, 2020

  • 深度强化学习与协作图神经网络在疫苗优先级排序中的应用

    本文探讨了在供应有限的情况下通过疫苗优先策略来减轻疫情总负担的方法，利用 Trans-vaccine-SEIR 模型模拟疾病演化过程，结合图神经网络和深度强化学习找到最优疫苗分配策略，实验发现相较于基线策略，该框架可将感染和死亡降低 7%-10%，且能针对具有多样性的微观级疾病演化系统寻找最优解。研究结果对于疫苗供应有限和物流效率低下的区域提供了有价值的见解。

    May, 2023

  • 使用深度确定性策略梯度的大规模基于代理的流行病学模型的流行病控制

    本研究基于深度确定性策略梯度（DDPG）框架，使用大规模（100,000 个个体）的流行病学代理模拟，进行多目标优化，确定了最佳的封锁和疫苗接种策略，以在经济活动的基础模拟中实现最优经济和平衡健康目标。

    Apr, 2023

  • 基于联邦强化学习的疫情决策系统

    疫情决策的强化联邦学习模型可以帮助政府综合考虑公共安全与经济发展，实现健康安全与经济发展之间的平衡，同时保护数据隐私。

    Nov, 2023

  • 利用图神经网络探索空间传播进行地区疫情预测

    提出了一种基于图神经网络的流行病预测模型 EpiGNN，该模型通过传播风险编码、区域感知图学习器和外部资源融合等操作，能够更好地探索流行病的时空依赖关系，提高预测效果。在 5 个真实流行病数据集上的实验结果表明，EpiGNN 模型的 RMSE 表现比现有模型均有 9.48% 的提高。

    Aug, 2022