DeepEpiSolver：求解新冠、艾滋、埃博拉及疾病传播中的逆问题
机器学习
2023-03-28 v1 人工智能
定量方法
摘要
许多传染病的传播使用SIR仓室模型的变体建模，其为一耦合微分方程。SIR模型的系数决定了疾病的传播轨迹，可据此采取主动措施。因此，系数估计必须既快又准。Shaier等人在“Disease Informed Neural Networks”一文中使用物理信息神经网络（PINNs）估计SIR模型参数。该方法有两个缺陷。首先，PINNs训练时间长，某些疾病训练近90小时。其次，PINNs不能泛化到新的SIDR轨迹，学习其对应SIR参数需从头重训。本文旨在消除这两点缺陷。我们使用LSODA算法对大范围参数分布求解正问题，生成ODE参数与传播轨迹间的数据集。随后以离线方式用神经网络学习传播轨迹与SIDR系数间的映射。这使我们无需重训即可学习新传播轨迹的参数，实现测试时泛化。我们观察到对11种高传染性疾病的加速达3-4个数量级，精度可与PINNs媲美。进一步用PINN微调神经网络推断的ODE系数，可令估计系数再提升2-3个数量级。
引用
@article{arxiv.2303.14194,
title = {DeepEpiSolver: Unravelling Inverse problems in Covid, HIV, Ebola and Disease Transmission},
author = {Ritam Majumdar and Shirish Karande and Lovekesh Vig},
journal= {arXiv preprint arXiv:2303.14194},
year = {2023}
}
备注
Publication accepted at International Conference for Learning Representations 2023: First Workshop in Machine Learning and Global Health