面向深度神经网络的数据增强策略及其在流行病建模中的应用
数值分析
2025-05-28 v2 机器学习
数值分析
物理与社会
种群与进化
机器学习
摘要
在本研究中，我们将房室式疾病动力学模型的预测能力与机器学习分析复杂高维数据并揭示传统模型可能忽略的模式的能力相结合。具体而言，我们展示了一个概念验证，演示了将数据驱动方法和深度神经网络应用于近期引入的具有社会特征的易感者-感染者-康复者（Susceptible-Infected-Recovered）类型模型（包含饱和发病率），以改进流行病的预测和预报。我们的结果表明，通过合适的数据驱动模型实施稳健的数据增强策略，可以提高前馈神经网络和非线性自回归网络的可靠性，为物理信息神经网络提供了一种互补策略，特别是在可利用机制模型进行数据增强以促进学习的场景中。该方法增强了处理非线性动力学的能力，并为流行病预报提供了可扩展的数据驱动解决方案，将预测准确性置于基于物理模型的约束之上。对意大利和西班牙 COVID-19 疫情封锁及封锁后阶段的数值模拟验证了我们的方法。
引用
@article{arxiv.2502.21033,
title = {A data augmentation strategy for deep neural networks with application to epidemic modelling},
author = {Muhammad Awais and Abu Safyan Ali and Giacomo Dimarco and Federica Ferrarese and Lorenzo Pareschi},
journal= {arXiv preprint arXiv:2502.21033},
year = {2025}
}