通过隐私保留集成敏感数据提升流行病分析

流行病分析越来越依赖异构数据集，其中许多数据具有敏感性，需受到严格的隐私保护。虽然差分隐私（DP）已成为机器学习和数据共享的标准，但在流行病建模中的应用仍有限。本文引入DPEpiNN，一个统一框架，将深度神经网络与基于机理的 SEIRM 模型集成，并在形式DP保证下实现。DPEpiNN 支持多种流行病任务（包括多步预测、实时估计、有效再生育率$(\R_t)$估计以及干预分析），在单个可微管道中实现。该框架从异构的公共和敏感数据集中联合学习流行病参数，同时通过输入扰动机制确保隐私。我们使用来自三个地区的COVID-19数据对DPEpiNN进行评估。结果表明，在强隐私约束下，融合敏感数据显著提升了预测性能。与深度学习基线相比，DPEpiNN在预测和实时估计方面实现更高精度，同时提供可靠的$\R_t$估计。此外，所学习的流行病传播模型本身具有隐私性，利用差分隐私的后处理属性，使其能够支持后续政策分析，如社交距离干预的仿真。我们的工作表明，在现代流行病建模中，机理建模的可解释性、神经网络的预测精度以及严格的隐私保证可以共同实现。