图神经网络在疫情建模中的综述
机器学习
2024-09-10 v4 社会与信息网络
物理与社会
种群与进化
摘要
自新冠疫情暴发以来，针对疫病学模型的研究兴趣不断增长。传统的机制模型通过数学方式描述传染病的传播机制，但往往受制于过于简化或固定的假设，导致预测性能次优且难以捕捉复杂关系信息。因此，图神经网络 (GNNs) 逐渐成为疫病研究中日益流行的工具。本文旨在为GNNs在疫病任务中的应用提供全面综述，并突出潜在的未来方向。为此，我们引入了针对疫病任务和方法的分层分类体系，为该领域的发展脉络提供了框架。对于疫病任务，我们建立了类似于典型疫病学领域使用的分类体系。对于方法，我们将现有工作归类为神经网络模型和混合模型。随后，我们对方法进行详尽而系统的检查，涵盖任务及其技术细节。此外，我们从多角度讨论现有方法的局限性，并系统性提出未来研究方向。本次综述旨在弥合文献之间的差距，推动该前景领域的发展，并附上相关论文列表（https://github.com/Emory-Melody/awesome-epidemic-modeling-papers）。我们希望这将促进GNN社区与流行病学社区之间的协作，推动整个领域的共同进步。
引用
@article{arxiv.2403.19852,
title = {A Review of Graph Neural Networks in Epidemic Modeling},
author = {Zewen Liu and Guancheng Wan and B. Aditya Prakash and Max S. Y. Lau and Wei Jin},
journal= {arXiv preprint arXiv:2403.19852},
year = {2024}
}