理解 COVID-19 疫情传播：一种时空点过程视角
机器学习
2021-06-25 v1 机器学习
摘要
自 1 月 21 日美国确诊首例冠状病毒病例以来，已有超过 100 万美国人确诊 COVID-19。这种传染性呼吸道疾病已在美国 3000 多个县和 50 个州迅速传播，并表现出演化聚簇与复杂触发模式。理解该疾病复杂的时空交织传播至关重要，以便进行准确预测或智能外部干预。本文中，我们将 COVID-19 的传播建模为时空点过程，并提出一种生成式且无强度（intensity-free）的模型来追踪疾病传播。我们进一步采用生成对抗模仿学习框架来学习模型参数。与传统的基于似然的学习方法相比，该模仿学习框架无需预先指定强度函数，从而缓解了模型误设定问题。此外，对抗学习过程绕过了似然评估中涉及的计算困难积分，使模型推断随数据与变量更具可扩展性。我们在美国 COVID-19 确诊病例上展示了动态学习性能，并基于所学生成模型评估了社交距离政策。
引用
@article{arxiv.2106.13097,
title = {Understanding the Spread of COVID-19 Epidemic: A Spatio-Temporal Point Process View},
author = {Shuang Li and Lu Wang and Xinyun Chen and Yixiang Fang and Yan Song},
journal= {arXiv preprint arXiv:2106.13097},
year = {2021}
}