考虑流行病学的神经常微分方程与连续疾病传播图
本篇论文提出了基于跨地区关注机制的图神经网络来学习时序嵌入和位置感知关注,以及将图消息传递框架与关注矩阵相结合建模疾病传播,经真实世界的流行病相关数据集的比较,本文所提出的方法表现出强大的预测性能和长期疫情预测的可解释性结果。
Dec, 2019
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
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
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
本文提出了一种新型的混合模型——基于母体群体的时空注意力网络(MPSTAN),通过将多点流行病学知识与时空模型相结合并自适应定义不同点之间的相互作用来提高流行病预测的准确性。在两个代表不同流行病学演化趋势的数据集上的广泛实验表明,我们提出的模型优于基线并提供更准确和稳定的短期和长期预测。
Jun, 2023
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
提出一种名为BDGSTN的新模型,通过生成骨干网络和动态图来预测流行病数据,使用线性模型和动态图卷积来处理时间依赖关系,实验证明该模型在准确预测流行病方面优于其他基准模型。
Dec, 2023
本研究解决了在图上准确预测动态过程(如交通流和疾病传播)所面临的挑战。提出的TG-PhyNN框架结合了图神经网络的建模能力和物理约束,通过一种两步预测策略显著提高了对现实世界时空数据集的预测准确性,优于传统预测模型。这一创新方法为交通流、疾病传播等领域的预测提供了更可靠的工具。
Aug, 2024
本研究针对传染病流行预测模型的准确性挑战,提出了基于神经网络的两种方法框架,并结合不确定性估计。通过对美国流感样疾病的预测,最佳模型实现了平均绝对误差降低10.3%和技能提升17.1%,显示出与传统方法相比的显著优势。此外,研究还探索了神经常微分方程与传统机制模型的结合,展示了新的预测潜力。
Sep, 2024