深度去混合：利用图神经网络重建疫情演化
信号处理
2020-11-20 v1
摘要
我们研究网络上演化的疫情的时间重建。给定疫情的部分或聚合时间信息，我们的目标是在利用网络拓扑但未知精确疫情模型的情况下估计传播的完整演化。我们通过针对该逆问题的数据驱动方案克服模型意识的缺乏。具体而言，我们提出 DDmix，一种图条件变分自编码器，可从过去的疫情传播中训练，其潜空间旨在捕获底层（未知）传播动力学的关键方面。我们通过合成与真实世界网络上模拟的疫情传播数值实验，说明了 DDmix 的准确性与泛化能力，并将其与无图感知的学习算法进行比较。
引用
@article{arxiv.2011.09583,
title = {Deep Demixing: Reconstructing the Evolution of Epidemics Using Graph Neural Networks},
author = {Gojko Cutura and Boning Li and Ananthram Swami and Santiago Segarra},
journal= {arXiv preprint arXiv:2011.09583},
year = {2020}
}