面向主动接触者追踪的传染性预测
机器学习
2020-10-26 v1 人工智能
多智能体系统
社会与信息网络
摘要
COVID-19 疫情已在全球迅速蔓延，使许多国家的人工接触者追踪不堪重负，并导致为紧急遏制而实施大范围封锁。大规模数字接触者追踪（DCT）已成为在最小化病毒传播的同时恢复经济和社会活动的一种潜在解决方案。人们提出了多种 DCT 方法，各自在隐私、出行限制和公共卫生之间做出权衡。最常见的方法——二值接触者追踪（BCT）——将感染建模为二值事件，仅依据个人的检测结果给出信息，并对应地给出二值建议：该个人的所有接触者或全部不隔离。BCT 忽略了接触过程和感染过程中固有的不确定性，而这些不确定性本可用于向高风险个体定制提示，并促使主动检测或更早预警。它也未利用症状或既往病史等观测信息，而这些信息本可用于做出更准确的传染性预测。在本文中，我们利用最近提出的 COVID-19 流行病学模拟器，开发并测试了可部署到智能手机上的方法，以在严格遵守隐私约束的前提下，基于个人的接触史及其他信息在本地主动预测其传染性（感染他人的风险）。预测结果通过应用程序向个人提供个性化建议，并向个人的接触者发送匿名消息，接触者利用该信息更好地预测自身的传染性，我们将这种方法称为主动接触者追踪（PCT）。我们发现一种基于深度学习的 PCT 方法在同等平均出行水平下优于 BCT，表明 PCT 有助于安全复工和防止第二波疫情。
引用
@article{arxiv.2010.12536,
title = {Predicting Infectiousness for Proactive Contact Tracing},
author = {Yoshua Bengio and Prateek Gupta and Tegan Maharaj and Nasim Rahaman and Martin Weiss and Tristan Deleu and Eilif Muller and Meng Qu and Victor Schmidt and Pierre-Luc St-Charles and Hannah Alsdurf and Olexa Bilanuik and David Buckeridge and Gáetan Marceau Caron and Pierre-Luc Carrier and Joumana Ghosn and Satya Ortiz-Gagne and Chris Pal and Irina Rish and Bernhard Schölkopf and Abhinav Sharma and Jian Tang and Andrew Williams},
journal= {arXiv preprint arXiv:2010.12536},
year = {2020}
}