具有连续疾病传播图的流行病学感知神经 ODE
机器学习
2024-11-12 v2 人工智能
社会与信息网络
摘要
准确的流行病预测对于公共卫生策略和高效的医疗资源分配至关重要，尤其是在面对快速传播的传染病时。然而，现有的深度学习方法常常忽视流行病的动态特性，并且未能考虑疾病传播的具体机制。针对这些挑战，本文提出了一种新颖的端到端框架，称为具有连续疾病传播图的流行病学感知神经 ODE（EARTH）。为了学习连续的区域性传播模式，我们首先提出了 EANO，它将神经 ODE 方法与流行病机制无缝集成，考虑了流行病演变过程中复杂的空间传播过程。此外，我们引入了 GLTG 来建模全球感染趋势，并利用这些信号动态地指导局部传播。为了兼顾流行病趋势的全局一致性和流行病传播模式的局部细微差别，我们构建了一种交叉注意力方法来融合最有意义的预测信息。通过两个组件的协同作用，EARTH 为理解和预测传染病传播提供了一种更稳健、更灵活的方法。大量实验表明，EARTH 在预测真实世界流行病方面优于最先进的方法。代码将在 https://github.com/Emory-Melody/EpiLearn 提供。
引用
@article{arxiv.2410.00049,
title = {Epidemiology-Aware Neural ODE with Continuous Disease Transmission Graph},
author = {Guancheng Wan and Zewen Liu and Max S. Y. Lau and B. Aditya Prakash and Wei Jin},
journal= {arXiv preprint arXiv:2410.00049},
year = {2024}
}