面向疫情动态主动监测的组稀疏贝叶斯学习
机器学习
2017-12-04 v1 机器学习
摘要
预测疫情动态对于理解和控制扩散过程（如传染病传播与信息扩散）具有重要价值。该任务难以处理，尤其在监测资源极为有限时。为应对这一挑战，我们研究主动监测问题，即如何识别系统中一小部分组件作为哨点以实施监测，从而能够由这些哨点收集的部分数据轻易预测整个系统的疫情动态。我们提出一种新度量——gamma值，通过构建具有行稀疏结构的哨点网络来识别哨点。我们设计了一种灵活的组稀疏贝叶斯学习算法，利用期望最大化方法与变分近似，挖掘适用于线性和非线性动力系统的哨点网络。所提算法的有效性在理论上得到分析，并使用合成与真实数据进行了实证验证。
引用
@article{arxiv.1712.00328,
title = {Group Sparse Bayesian Learning for Active Surveillance on Epidemic Dynamics},
author = {Hongbin Pei and Bo Yang and Jiming Liu and Lei Dong},
journal= {arXiv preprint arXiv:1712.00328},
year = {2017}
}