本研究通过对意大利 COVID-19 疫情疫情的 Twitter 数据进行学习，并使用跨语言迁移学习模型对多个国家的疫情进行预测，结果显示在跨国预测中有高达 0.85 的斯皮尔曼相关性。

Jun, 2020

本文研究一种新型COVID-19预测方法，使用图神经网络和移动数据，利用单一大规模时空图进行学习，通过在美国县级COVID-19数据集上的实验证明该方法相比基线模型具有更好的预测性能，可以成为理解COVID-19传播和演化的强大工具，鼓励其他人基于GNN和高分辨率移动数据进一步发展新的传染病建模方法。

Jul, 2020

本文提出了一种将机器学习技术融入到疾病隔室建模中，以预测COVID-19发展的新方法，并展示了其在美国州和县级别的应用。结果表明，我们的模型提供了更准确的预测和有意义的解释，具有可解释性和信任度。

Aug, 2020

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

本研究提出了一种基于自动微分的物理模型学习方法AutoODE，该方法能够有效解决在COVID-19等动态系统中由于数据分布发生改变导致机器学习模型性能下降的问题，实验结果表明，AutoODE相比于基于深度学习的竞争对手，能够将预测误差减少57.4%。

Nov, 2020

本文介绍了一种基于深度学习的黑盒知识蒸馏方法，用于对疾病传播进行准确和高效的预测，通过案例分析证明了该方法在有限观测数据条件下可以准确预测感染病例，具有较低的计算成本。

Jan, 2021

通过系统研究表明，基于深度Transformer的预训练模型，虽然在混合领域转移学习方面表现出色，但无法为检测COVID-19社交媒体数据中的错误信息提供通用解决方案。因此，本文提出了一种使用浅层网络和卷积神经网络的分层方法来提取目标数据中的局部和全局上下文，从而实现更为具有普适性的解决方案。

Sep, 2021

利用 Covid-19 的数据集，使用预测性分析来评估更复杂的预测模型的效能潜力，包括使用具有不同预测范围的神经网络。该研究提出了一种基于地区数据的不同类型的预测方法的一致性比较研究的结果，它与 Exponential Smoothing、机器学习模型和LSTM等进行了比较，并且LSTM表现出了最佳的效果。该研究对美国和俄罗斯进行了评估，并使用 MAPE 指标进行评估。

Jul, 2022

该论文提出了一种结合流行病学方程和深度学习的方法来模拟COVID-19疾病传播情况，结果表明，这种方法在五个国家和地区具有良好的预测能力和可视化表现。

Jun, 2023

本研究针对COVID-19疫情中早期检测的挑战，探讨了多种先进机器学习模型在预测感染概率中的有效性。研究发现，深度神经网络（DNN）在准确性和召回率方面表现优异，准确率达到89%。这一结果强调了深度学习方法在提高疫情早期识别效率中的重要作用。

Aug, 2024