Jun, 2024

PANDORA：基于深度图学习的 COVID-19 感染风险水平预测

PDF
TL;DRCOVID-19 流行疫情给社会稳定带来了巨大的破坏，威胁人类生命和经济。为了减少 COVID-19 的不良影响，决策者和社会各个方面必须根据疫情的严重性采取可衡量的行动。然而，为不同城市或地区制定一个良好的感染风险预测模型并不容易，因为有很多难以手动识别的影响因素。为了解决当前的局限性，我们提出了一种称为 PANDORA 的深度图学习模型，通过考虑所有必要因素并将它们整合到地理网络中来预测 COVID-19 的感染风险。该框架利用地理位置关系和交通频率作为由高阶网络结构（即网络动机）构成的高阶结构属性。此外，还考虑了四个显著的节点属性（即特定区域的多个特征，包括气候、医疗状况、经济和人员流动性）。我们提出了三种不同的聚合器来更好地聚合节点属性和结构特征，分别是 Hadamard、Summation 和 Connection。真实数据上的实验结果显示，无论选择哪种聚合器，PANDORA 都能以更高的准确性和更快的收敛速度优于基线方法。我们相信，使用深度图学习的 PANDORA 模型可以提供一种有前景的方法，用于预测感染风险水平，并帮助人类应对 COVID-19 危机。
发现论文，激发创造
  • 一种面向移动性的深度学习模型用于长期 COVID-19 疫情预测和政策影响分析

    该研究提出了一种以图形化方式对流行病进行建模、具有更好的边缘表征以及可扩展预测能力的模型，在流动性分析方面具有很强的研究价值和政策指导意义，该模型提供了有效的工具箱，能够帮助公共卫生研究人员和政策制定者预测不同的封锁策略如何影响疫情的传播，并模拟了某些政策的影响和控制传染的预测。

    Dec, 2022

  • 用于疫情预测的转移图神经网络

    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

  • 利用网络搜索和移动数据的社会意识多波 COVID-19 预测

    本研究提出了一个基于社交意识图神经网络（SAB-GNN）的预测模型，通过考虑病征相关搜索频率的下降来捕捉公众意识在疫情多波次间的变化，以实现对疫情多次爆发进行预测，并利用日本东京地区的移动和网络搜索数据进行模型训练，结果表明该模型在预测未来疫情爆发方面优于 ST-GNN、MPNN 和 GraphLSTM 等现有模型。

    Oct, 2021

  • 利用时空图神经网络预测 COVID-19 疫情：新西兰研究

    本文提出一种名为 ATMGNN 的深度学习结构，该结构能够结合地理数据和 COVID-19 病例的时间序列数据来预测大流行病的未来动态，并通过学习聚类算法以数据驱动的方式捕获空间图的多尺度结构。作者在新西兰收集和组织了一个新的数据集，并将社会经济横截面数据纳入模型进行了预测，取得了比其他基线更好的预测结果，该研究为实时预测和全球范围的研究提供了一些启示。

    May, 2023

  • 使用时空图神经网络检查 COVID-19 预测

    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

  • 多模图学习应用于大数据下新兴疫情建模

    通过融合时间图神经网络和多模态数据，我们提出了一种名为 MGL4MEP 的新型框架，用于学习和预测流行病，通过利用特定的预训练语言模型和发现用户之间的潜在图结构，将大数据源（包括社交媒体内容）整合到流行病动态学习中，从而提供丰富的流行病动态指标。广泛的实验证明了我们框架在流行病预测和分析方面的有效性，相对于基准方法，在不同领域、流行病情况和预测时段上表现出色。时间图学习和多模态数据的融合使我们能够以更少的时间滞后、更便宜的成本和更多的潜在信息指标全面了解流行病景观。

    Oct, 2023

  • 利用深度学习生成的最佳航空策略以控制大流行病

    本研究应用基于图卷积神经网络的动态连接 GraphSAGE 模型，通过空间时间图研究了全球范围内 COVID-19 疫情传播与人类流动的关系，通过场所敏感度分析找到了导致疫情爆发的主要区域，并提出了空中交通减少方案，为政策决策提供了有效参考。

    Oct, 2022

  • 新冠病毒（COVID-19）病例实时预测和风险评估：数据驱动分析

    本文旨在通过基于自回归综合移动平均模型和小波预测模型的混合方法，对加拿大、法国、印度、韩国和英国进行短期（10 天）预测，另外运用最优回归树算法对 50 个受疫情影响巨大的国家进行病死率风险评估，旨在有效分配医疗资源和提供政策决策的预警。

    Apr, 2020

  • 寻找零号病人：使用图神经网络学习传染源

    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

  • 新冠病毒知识图谱：案例研究

    使用知识图谱、机器学习和深度学习等工具，分析 COVID-19 相关的 PubMed 数据集和 CORD-19 数据集，发现专家、生物实体，预测相关疾病、药物候选者、基因突变和相关化合物，从而帮助生物医学研究人员应对 COVID-19 大流行。

    Jul, 2020