通过核算子学习学习流行病轨迹：从建模到最优控制

从传染病开始传播到易感人群后，数学模型可以为政策制定者提供可靠的预测和情景分析，这些预测和情景分析可以具体实施或仅供参考。在这些复杂的流行病情景中，机器学习架构发挥着重要作用，因为它们直接重构数据驱动模型，规避了经典 compartments 模型中典型的建模选择和参数校准问题。本文讨论了核算子学习（KOL）在流行病爆发期间人口动力学重构中的有效性，其中传播率由输入策略控制。具体而言，我们引入两种代理模型，称为 KOL-m 和 KOL-∂，这两种模型以不同的方式重构流行病的演化。此外，我们评估了两种方法的泛化性能，使用不同的核函数，包括神经切向核，并将其与经典神经网络学习方法进行比较。利用合成但半真实的数据，我们展示了这两种方法适合实现快速稳健的预测和情景分析，以及在特定性能度量下 determining optimal intervention strategies 方面的竞争力。