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

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

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

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

构建更好、更智能的医疗基础设施是智慧城市的终极目标之一。为了克服临床数据的异构性和易受攻击的特点带来的挑战，我们提出了一个基于深度学习的临床决策支持系统，采用联邦学习范式进行训练和管理，以保证患者隐私的安全，并实现大规模的临床数据挖掘。同时，我们采用了序列到序列模型架构，融合了注意力机制，旨在提供个性化的临床决策支持系统，具有可进化的特性，能够提供准确的解决方案，协助医护人员进行医学诊断。

Jan, 2024

本文介绍了一种在图上进行全面分散联合学习的算法，通过本地更新和节点间通信的交替，实现了在不丢失解决方案优化的情况下显著减少参数通信轮次的目的，数值模拟结果表明该算法与传统方法相比，具有较高的性能优势。

Dec, 2019

我们提出了一种新颖的疫情政策制定模型，采用对抗学习和对比学习的方法，以确保模型始终学习到有用的信息，并在真实世界数据上进行了广泛的实验证明了该模型的有效性。

Mar, 2024

此论文使用多目标进化算法优化神经网络模型的结构，以同时减少通信成本和全局模型测试误差，提高联邦学习的学习性能和效率。

Dec, 2018

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

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。

Aug, 2020