用于流感预测的动力学虚拟图显著性网络
人工智能
2021-02-17 v1 社会与信息网络
摘要
图结构数据及其相关算法在许多领域引起了显著关注，例如公共卫生中的流感预测。然而，多变的流感季节性、偶发大流行以及领域知识给构建合适的图带来了巨大挑战，这可能削弱当前流行基于图的算法进行数据分析的能力。在本研究中，我们开发了一种新方法——动力学虚拟图显著性网络（DVGSN），它可以从历史时间点中相似的“感染情况”进行监督式动态学习。在动力学虚拟图上的表示学习可以应对变化的季节性和大流行，从而提升性能。在真实世界流感数据上的大量实验表明，DVGSN 显著优于当前最先进的方法。据我们所知，这是首次尝试为时间序列预测任务监督式学习动力学虚拟图。此外，所提方法需要更少的领域知识来预先建图，并具有丰富的可解释性，这使得该方法在公共卫生、生命科学等领域更易被接受。
引用
@article{arxiv.2102.08122,
title = {Dynamic Virtual Graph Significance Networks for Predicting Influenza},
author = {Jie Zhang and Pengfei Zhou and Hongyan Wu},
journal= {arXiv preprint arXiv:2102.08122},
year = {2021}
}