流行病建模中的图神经网络综述
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
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
基于多尺度时空图神经网络(MSGNN),利用传输区域疫情信号并将其整合到多尺度的图形中,通过新设计的图卷积模块挖掘多尺度的疫情模式,实现了新冠肺炎在美国新增病例的准确预测,该方法优于现有技术,并提供了稳定和可解释的预测结果。
Aug, 2023
本文介绍了 Temporal Multiresolution Graph Neural Networks(TMGNN)的建立,这是一种同时学习构造多尺度和多分辨率图结构,并将时间序列信号整合到动态图中捕获时间变化的第一种结构,将其应用于基于欧洲几个国家实际搜集的 COVID-19 爆发和水痘疫情的历史时间序列数据进行流行病和疫情预测,与其他先前最先进的时间结构和图形学习算法相比,取得了有竞争力的结果。我们证明了捕捉图形的多尺度和多分辨率结构对于提取局部或全局信息对于理解 COVID-19 等全球大流行病的动态是至关重要的,该大流行病从一个城市开始,迅速蔓延至全球。我们的工作为预测和减轻未来的流行病和疫情带来了有希望的研究方向。
May, 2022
图神经网络已成为从图结构数据中有效挖掘和学习的强大工具,但大多数研究侧重于静态图,忽视了真实世界网络的动态特性,该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。
Apr, 2024
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
新型冠状病毒变异在全球范围内的传播是 COVID-19 疫情暴发的主要驱动力之一,本研究提出了一种基于图神经网络的变种动态感知模型,能够预测不同国家特定变异株的到达时间及其传播情况,相较于统计建模和物理感知神经网络等传统方法,该模型在回顾性实验中表现出更高的准确性。
Jan, 2024
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。
Feb, 2022