使用机器学习算法预测复杂网络中的疾病可控性
社会与信息网络
2020-05-05 v2 物理与社会
摘要
机器学习（ML）技术的应用涵盖广阔谱系，从语音、人脸与字符识别、医学诊断、数据异常检测到一般的分类、预测与回归问题。在本工作中，我们使用基于回归的先进 ML 技术解决了在复杂网络上预测疾病传播的 问题。 是一个判定无病流行或地方病状态是否渐近稳定从而指示疾病传播可控性的度量。我们基于以复杂网络结构属性训练 ML 模型来预测 ，与网络类型无关。该预测之所以可行，是因为：(a) 复杂网络的结构在网络上传播过程中起本质作用；(b) 诸如支持向量回归与人工神经网络模型等回归技术可非常高效地用于预测问题，即便对非线性数据亦然。利用这些技术，我们在模拟网络与真实世界网络的 预测中均获得了良好精度。此外，ML 模型训练就训练时间与内存而言为一次性投入成本，训练所得模型可用于预测未见/新网络样本的 。
引用
@article{arxiv.1902.10224,
title = {Prediction of the disease controllability in a complex network using machine learning algorithms},
author = {Richa Tripathi and Amit Reza and Dinesh Garg},
journal= {arXiv preprint arXiv:1902.10224},
year = {2020}
}