用于大流行预测的迁移图神经网络
社会与信息网络
2021-04-13 v5 机器学习
机器学习
摘要
近期COVID-19的爆发已影响全球数百万人口，并对全球医疗健康构成重大挑战。从大流行早期便已明确，该疾病具有高度传染性，且人口流动对其传播贡献显著。在本文中，我们研究人口流动对COVID-19传播的影响，并利用图表示学习领域的近期进展来捕捉潜在动态。具体而言，我们构建一张图，其中节点对应国家各地区，边权表示从一个地区到另一地区的人口流动。随后，我们采用图神经网络预测未来病例数，将支配传播的潜在扩散模式编码进我们的学习模型。此外，为应对训练数据有限的问题，我们利用大流行在不同国家间异步爆发的特点，使用基于模型无关元学习的方法将一国的模型知识迁移至另一国。我们在3个欧洲国家将所提方法与简单基线及更传统的预测技术进行比较。实验结果证明了我们方法的优越性，凸显了图神经网络(GNNs)在流行病学预测中的有用性。迁移学习提供了最佳模型，突显了若利用来自过去/并行爆发的资料，其在二次波次情况下提升预测精度的潜力。
引用
@article{arxiv.2009.08388,
title = {Transfer Graph Neural Networks for Pandemic Forecasting},
author = {George Panagopoulos and Giannis Nikolentzos and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2009.08388},
year = {2021}
}
备注
9 pages, AAAI 2021