EINNs：流行病学信息引导的神经网络

AAAIFeb, 2022

EINNs：流行病学信息引导的神经网络

EINNs: Epidemiologically-informed Neural Networks

Alexander Rodríguez, Jiaming Cui, Naren Ramakrishnan, Bijaya Adhikari, B. Aditya Prakash

TL;DR我们介绍了 EINNs，这是一个基于机械模型提供的理论基础和人工智能模型提供的数据驱动的表达能力，以及摄入异构信息的能力，用于流行病预测的框架。通过物理 - 信息神经网络的工作来学习潜在的流行病动态并将相关知识转移给另一个神经网络，这个网络摄入多个数据源，并具有更适当的归纳偏差。我们的全面实验表明，与其他非平凡的选择相比，在 COVID-19 和流感预测的所有美国州和 HHS 地区都展示了我们方法的明显优势。

Abstract

We introduce einns, a framework crafted for epidemic forecasting that builds upon the theoretical grounds provided by mechanistic models as well as the data-driven expressibility afforded by AI models, and their

einns epidemic forecasting neural forecasting models epidemiological ode models physics-informed neural networks

发现论文，激发创造

流行病建模中的图神经网络综述

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

DeepEpiSolver: 揭示 Covid、HIV、埃博拉和疾病传播中的反问题

使用 LSODA 算法生成数据集，离线训练神经网络来估计 SIR 模型中的参数，并进行通用性测试和进一步优化，以在比物理信息神经网络更少的时间内实现治疗高传染疾病的参数估计。

Mar, 2023

认知神经网络

本文介绍了一种能够辅助任何传统神经网络，包括大型预训练模型，能够用较少的计算量来预测不确定性的架构 ——epinet。使用 epinet，传统神经网络在预测标签上的表现优于包含数百个或更多粒子的非常大的许多集合，而且使用的计算资源和数据也大大降低了。

Jul, 2021

一种基于实时信号和数据同化的流行病预测参数预测新方法

本文提出了一种新的方法，利用来自各种信息源的新实时信号（例如基于社交媒体的人口密度地图和空气质量数据）来预测流行病学参数，使用多个卷积神经网络（CNN）模型的集合，并使用各种数据源和融合方法来构建稳健的预测，在伦敦的 COVID-19 爆发预测中，气象信号和基于社交媒体的人口密度地图的组合提高了性能和灵活性，并通过数据同化估计了我们系统的状态，从而提高了我们的模型的稳定性和准确性。

Jul, 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

基于灰色信息的神经网络时间序列预测

本研究提出了一种灰色信息驱动的神经网络模型（GINN），使神经网络的输出遵循灰色系统的微分方程模型，提高解释性。此模型结合了灰色系统理论的先验知识，能够有效处理少量数据样本，发现真实世界中的潜在模式并基于经验数据产生可靠的预测。

Mar, 2024

流行病预测的神经参数校准与不确定性量化

我们应用了一种新颖而强大的计算方法来学习传染参数的概率密度并提供流行病预测的不确定性量化，通过神经网络将 ODE 模型与 2020 年柏林 COVID-19 传播数据进行了校准，实现了比基于马尔科夫链蒙特卡洛 (MCMC) 的采样方案更准确的校准和预测，我们的预测不确定性提供了有意义的置信区间，例如感染人数和住院率，而训练和运行神经网络方案只需要几分钟，而 MCMC 需要几个小时。我们展示了我们的方法在简化的 SIR 传染病模型上收敛到真实后验，同时展示了我们的方法在一个仅有少量可用数据的小型组分中学习复杂模型的能力。

Dec, 2023

适应物理信息神经网络以优化蚊虫种群动力学的常微分方程

物理信息神经网络被广泛应用，能够将物理定律融入数据驱动模型中，以确保预测不仅与实证数据一致，还与领域特定的物理方程知识相符。该研究提出了一个改进的物理信息神经网络框架，用于 ODE 系统的正向和反向问题，并以蚊子种群动力学模型为案例应用。该方法通过逐步扩大训练时间域来解决 PINN 中的时间因果性问题，并利用模拟数据进行实验验证其有效性，初步结果表明物理信息机器学习在推动生态系统研究方面具有重要潜力。

Jun, 2024

通过基于社会学的神经网络预测意见动态

本文提出了一种叫做 SINN 的混合方法，通过将物理有关神经网络的概念引入社会科学，将理论模型和社交媒体数据相结合，实现了对观点动态的预测。实验结果表明，SINN 方法在预测观点动态方面优于其他基准方法。

Jul, 2022

通过认知神经网络进行语言模型微调

本文提出在大规模语言模型上加入 epinet 网络架构以取得 epistemic neural network (ENN) 优化的结果，使用该方法在 GLUE 任务中，不仅可以达到和 BERT 相同的性能表现，还能使用少两倍的数据。同时，该方法在神经网络生成模型中也表现良好，优于启发式主动学习方法。

Nov, 2022