基于深度图扩散 Infomax 的 COVID-19 大流行期间人类移动建模
机器学习
2022-12-13 v1
摘要
非药物干预（NPIs），如社交聚集限制，已通过减少人员接触显示出减缓 COVID-19 传播的效力。为支持决策者，多项研究先通过宏观指标（如平均每日出行距离）建模人类移动，再研究 NPIs 的有效性。本文聚焦移动建模，从微观视角预测 COVID-19 病例将访问的地点。由于 NPIs 通常造成经济和社会损失，此种微观视角预测有助于政府设计和评估干预措施。然而在真实场景中，严格隐私数据保护法规导致严重的数据稀疏问题（即有限的病例与位置信息）。为应对这些挑战，我们将微观视角移动建模表述为在几何图条件下计算扩散与位置间的相关分数，提出名为深度图扩散 Infomax（DGDI）的模型，联合建模几何图、一组扩散和一组位置等变量。为促进 COVID-19 预测研究，我们提供两个包含几何图与 COVID-19 病例位置历史的基准。在两个基准上的大量实验表明 DGDI 显著优于其他对比方法。
引用
@article{arxiv.2212.05707,
title = {Human Mobility Modeling During the COVID-19 Pandemic via Deep Graph Diffusion Infomax},
author = {Yang Liu and Yu Rong and Zhuoning Guo and Nuo Chen and Tingyang Xu and Fugee Tsung and Jia Li},
journal= {arXiv preprint arXiv:2212.05707},
year = {2022}
}