深度学习框架用于预测初始传播事件的随机扩散与消亡

大规模的疫情、虚假信息或其他有害信息的传播构成对人类社会的重大威胁，但关于新兴疫情是否会发展成为大规模流行病或自然消亡的根本问题仍然未得到充分关注。这一问题的挑战在于，疫情初始阶段数据不足，而且现有模型关注的是大规模疫情的平均行为，而非小规模传播链的随机性。本文引入了第一个系统化的框架，用于预测在疫情初始阶段，初始传播事件是会放大成为大规模流行，还是会消亡。在使用来自随机扩散模型的大量数据后，我们开发了一种深度学习框架，能够实时预测早期阶段的扩散结果。在不同感染水平下的 Erdős-Rényi 网络和 Barabási-Albert 网络上的验证表明，我们的方法在潜在疫情爆发前就能准确预测随机扩散事件，显示出在不同网络结构和感染情景下的稳健性能。为解决早期疫情阶段稀疏数据的挑战，我们进一步提出了一种预训练-微调框架，该框架利用多样化模拟数据进行预训练，并通过针对性微调适应特定情景。预训练-微调框架持续优于基线模型，即使仅使用有限的场景特定数据也能实现卓越的性能。据我们所知，本工作提出了第一个预测随机扩散事件是扩散还是消亡的框架。该框架为疫情准备和公共卫生决策提供了宝贵的见解，使能够更有针对性地实施早期干预策略。