基于交互数据的个体 SARS-CoV-2 感染概率连续学习与推断
社会与信息网络
2021-02-02 v3 机器学习
物理与社会
摘要
本研究提出一种新方法，通过基于交互的个体概率连续学习与推断（CLIIP）进行传染排序，以确定 SARS-CoV-2 病毒无症状携带者的可能性。该方法基于个体有向图（IDG）开发，采用多层双向路径跟踪与推断搜索。IDG 由随时间自适应变化的外观时间线与空间数据确定。此外，该方法考虑了潜伏期以及若干可表征真实世界状况的特征，例如现存无症状携带者数量。在每次确诊案例更新后，模型收集交互特征，并利用周围人群的状态推断个体感染概率。CLIIP 方法采用个体化双向 SEIR 模型模拟传染过程进行验证。与传统接触者追踪方法相比，我们的方法将搜寻潜在无症状病毒携带者所需的筛查与隔离减少了多达 94%。
引用
@article{arxiv.2006.04646,
title = {Continuous Learning and Inference of Individual Probability of SARS-CoV-2 Infection Based on Interaction Data},
author = {Shangching Liu and Koyun Liu and Hwaihai Chiang and Jianwei Zhang and Tsungyao Chang},
journal= {arXiv preprint arXiv:2006.04646},
year = {2021}
}
备注
15 pages,6 figures,2 tables