基于 metapopulation 传染病编码-解码器学习图拓扑结构
机器学习
2026-03-04 v1
摘要
metapopulation 传染病模型是研究大规模疫情 outbreak 的有价值工具。在疫情追踪数据有限的条件下，推断这些模型的关键组成部分——疫情参数和亚群落之间相关 mobility network——具有挑战性。目前，已有方法在假设另一个组成部分的前提下估计其中之一，但联合推断这两个组成部分的问题尚未得到解决。本文提出了两种编码-解码深度学习架构，从时间序列数据中推断 metapopulation mobility graph，可 avec 或不 assume 疫情模型参数。跨多样化的随机和经验 mobility network 评估表明，所提方法优于现有拓扑推断方法。进一步我们展示，随着对额外病原体数据的加入，拓扑推断效果显著提升。本研究建立了一个 robust 框架，用于同时推断疫情参数和拓扑结构，解决了 modeling disease propagation 中的长期问题。
引用
@article{arxiv.2603.02349,
title = {Learning graph topology from metapopulation epidemic encoder-decoder},
author = {Xin Li and Jonathan Cohen and Shai Pilosof and Rami Puzis},
journal= {arXiv preprint arXiv:2603.02349},
year = {2026}
}