DeepTrace：利用图神经网络学习优化传染病网络中的接触者追踪
社会与信息网络
2025-01-13 v4 物理与社会
摘要
数字接触者追踪旨在通过技术识别并缓解公共卫生紧急情况以遏制传染病。回溯接触者追踪通过追踪感染源，在日本等地对识别超级传播事件引发的 COVID-19 感染起到了关键作用。本文将数字接触者追踪视为在线图探索的新视角，并将前向与回溯接触者追踪问题作为利用迭代传染病网络数据采样的最大似然（ML）估计问题来处理。挑战在于组合复杂度与感染的快速传播。我们引入 DeepTrace，一种基于图神经网络（GNN）的算法，随着新接触者追踪数据的收集迭代更新其估计，利用拓扑特征加速学习并改善收敛以学习优化最大似然估计。接触者追踪过程结合 BFS 或 DFS 扩展网络并追踪感染源，确保全面高效的探索。此外，GNN 模型通过两阶段方法微调：用合成网络预训练以近似似然概率，再用高质量数据微调以精炼模型。利用 COVID-19 变异株数据，我们表明 DeepTrace 在识别超级传播者方面超越现有方法，为可扩展的数字接触者追踪策略提供了坚实基础。
引用
@article{arxiv.2211.00880,
title = {DeepTrace: Learning to Optimize Contact Tracing in Epidemic Networks with Graph Neural Networks},
author = {Chee Wei Tan and Pei-Duo Yu and Siya Chen and H. Vincent Poor},
journal= {arXiv preprint arXiv:2211.00880},
year = {2025}
}
备注
This paper has been accepted by IEEE Transactions on Signal and Information Processing over Networks