EINNs：流行病学信息化的神经网络
机器学习
2023-01-12 v2 物理与社会
种群与进化
应用统计
摘要
我们提出 EINNs，一个为疫情预测而设计的框架，它建立在机制模型所提供的理论基础上，以及 AI 模型所具备的数据驱动表达能力和摄取异构信息的能力之上。尽管神经预测模型在多项任务中取得成功，但与疫情趋势高度相关且长期的预测仍是开放挑战。流行病学 ODE 模型包含的机理可在这两项任务上给予指导；然而，它们在摄取数据源与建模复合信号方面能力有限。因此，我们提议借助物理信息化神经网络方面的工作，学习潜在疫情动态，并将相关知识迁移至另一个摄取多数据源且具有更合适归纳偏置的神经网络。与先前工作不同，我们不假设完整动态的可观测性，也无需在训练期间数值求解 ODE 方程。我们在所有美国各州及 HHS 区域针对 COVID-19 与流感预测开展的详尽实验，展示了我们的方法在短期与长期预测以及学习机制动态方面相对于其他非平凡替代方案的明显优势。
引用
@article{arxiv.2202.10446,
title = {EINNs: Epidemiologically-informed Neural Networks},
author = {Alexander Rodríguez and Jiaming Cui and Naren Ramakrishnan and Bijaya Adhikari and B. Aditya Prakash},
journal= {arXiv preprint arXiv:2202.10446},
year = {2023}
}
备注
Appears in AAAI 2023