- 地景中的恶魔：从街景影像推断流行病暴露风险
通过构建一个受重力模型推动的区域移动性图和使用传递感知的图卷积网络模型，我们提出了一种从街景图像中评估疫情暴露风险的低成本、可扩展的方法，实验证明该模型在加权 F1 评价指标上比基准模型提升了 8.54%。
- AAAI新闻文章中的关系抽取（RENA）：流行病监测工具
从新闻文章中提取关键实体和语义关系的关系抽取工具（RENA）是一个基于浏览器的工具，可以用于处理与传染性疾病相关的英语新闻文章。该系统使用 React 框架构建，向用户展示了简洁和用户友好的界面。它允许用户输入一篇新闻文章，并从两个模型中选 - 利用 SIR 模型中的通用微分方程学习 COVID-19 地区传播
使用普适微分方程（UDE）结合 SIR（Susceptible-Infectious-Recovered）模型，以捕捉邻近地区的影响并提高模型对 COVID-19 疫情的预测，研究比较了基于模拟爆发的 COVID-19 的 SIR+UDE - 基于分层强化学习的未知网络传播控制方法
本文提出了一种层次式强化学习方法，通过在未知的网络结构下移除节点，有效控制危险事件的传播。模拟实验证明了我们的方法相比基准方法的优越性，尽管我们的方法对网络结构没有先验信息，而基准方法具有丰富的网络结构知识。
- 机器学习在传染病风险预测中的应用调查
通过机器学习可以定量描述疾病传播模式并准确预测传染性疾病风险，促进疾病预防和控制。
- 利用图耦合隐马尔可夫模型和稀疏群体检测方法，检测个体级感染
在流行病期间使用初始群体筛查来准确估计个体感染状况的可能性得到了开放，通过使用个体感染状况作为隐藏状态和群体测试结果作为观测结果，扩展了基于图耦合的隐马尔可夫模型，对模拟数据集拟合模型得到了 0.55 的 AUC。
- DeepEpiSolver: 揭示 Covid、HIV、埃博拉和疾病传播中的反问题
使用 LSODA 算法生成数据集，离线训练神经网络来估计 SIR 模型中的参数，并进行通用性测试和进一步优化，以在比物理信息神经网络更少的时间内实现治疗高传染疾病的参数估计。
- 利用基础模型进行临床文本分析
本研究提出了一种自然语言处理 (NLP) 框架，使用在任务特定数据上微调的预训练变压器模型来从自由文本临床数据中提取与传染性疾病相关的关键信息，并且结果表明该方法性能优异。
- 现代机器学习预测模型在传染病诊断中的应用
通过对使用机器学习算法诊断传染病的最新研究文章的综述，我们发现大多数文章使用小数据集，结论表明合适的机器学习技术取决于数据集的类型和预期目标。
- 深度强化学习用于大规模疫情控制
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 - 推断城市内疫情的次群体传播网络用于流行病控制与预防
本研究提出了一种基于 metapopulation 的两步方法来预测疾病传播，第一步使用 D^2PRI 网络推理模型来推理出潜在的传染病感染网络，第二步使用扩展的 SIR 模型进行传播预测和爆发模拟，证明该方法在网络推理、感染预测和爆发模拟 - 随机消防员问题
本文研究传染病动态传播的预防措施，以 Firefighter 问题为基础，提出了对感染节点附近的邻居进行疫苗接种的简单策略，并在树、网络图等模型上提出预算分配方案，实验证明该策略在现实网络中的有效性。
- 开放获取的植物健康图像库，以促进移动疾病诊断的发展
为了解决因感染疾病导致作物减产的问题，利用手机、机器学习和众包的方法，通过在线平台公开几万张植物健康与感染的叶子图像，旨在开发移动疾病诊断工具，提高作物减产问题的解决效率。
- 复杂网络上的流行病过程
本论文对流行病传播的理论分析进行了全面的综述，重点阐述了流行病学建模的共性和差异性，并探讨了复杂网络中的扩散和演化问题。
- 多尺度移动网络与传染病大规模传播
本文研究人类移动性在感染病毒建模中的重要性，并通过分析 29 个国家的移动数据和构建重力模型，以及将短程通勤流纳入全球疫情结构化流行病模型中，证明通勤流的引入会影响到疫情在近距离群体中的传播，但对全球模式的影响相对较小。