- 流行病建模中的图神经网络综述
本文综述了图神经网络在流行病任务中的应用,介绍了疫情任务和方法学的分层分类,并系统地梳理了方法学的详细内容和现有方法的局限性,同时提出未来的研究方向。
- 基于时变 SIRD、粒子群优化和深度学习的流行病建模
我们开发了一种涵盖流行病建模、粒子群优化和深度学习的混合模型,用于处理非平稳模式和流行病的多个波动,并在全部三个数据集上超越了现有方法。
- 通过强化学习对流行病控制政策的建模与优化
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。
- 利用潜在亚群建模和预测 COVID-19 病例
该研究提出了两种新的模型方法来预测 COVID-19 感染人数,分别为基于字典的方法和可拟合曲线的混合方法,通过子人群的线性组合进行建模,对 187 个国家的数据进行了实证研究,发现该字典方法在预测中表现最优。
- 利用贝叶斯 $m$-top 探索评估 COVID-19 疫苗分配政策
利用贝叶斯方法和多臂老虎机框架,以及个体化模型,提出了一种有效的疫苗分配策略评估技术,可在不同的接触减少模式下寻找最优策略,对比实验结果表明该方法能够有效识别出前 m 个最优策略,并为未来的疫苗接种活动提供了洞见。
- ICLR学习行动:算法和模型在疫情应对中的新型整合
该研究提出了一个框架,可以通过机器学习算法从流行病学模型中学习,为流行病规划提供帮助,并通过 Apache-2.0 授权发布该工作,以提高基于证据的决策制定的能力。
- 基于序列到序列模型与注意力机制的县区级 COVID-19 可解释化旅行距离
本研究分析了美国各县不同距离旅行人数对 COVID-19 疫情传播的影响,并利用注意力模块改进测序模型预测性能。结果表明存在不同类别旅行距离的空间模式,给予权重后减少对应类别的旅行者可有效控制疫情传播。
- AAAI知识注入的策略梯度方法用于自适应疫情控制
本研究提出了一种基于知识注入的政策梯度方法,通过处理认知不均衡、将公共健康专家知识融入模型以及提高模型可解释性等方面,解决了 COVID-19 流行病控制中存在的困难,实现了快速、有效的应对新知识和产生可解释的政策。
- COVID-19 缓解政策优化的强化学习
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。
- 网络上流行病的传播
本文研究社交网络,尤其是社交网络上疾病的传播,在物理学界引起了广泛关注。我们证明了一类称为易感性 / 传染性 / 移除 (SIR) 模型可以在各种网络上得到精确解。此外,我们解决了各种时间和概率是非均匀和相关的情况,也考虑了一个简单的结构化