【KDD2024教程】图神经网络在流行病建模中的应用综述, 81页ppt

自COVID-19疫情爆发以来，流行病学模型的研究受到了越来越多的关注。传统的机制模型通过数学方式描述传染病的传播机制，但在面对当今不断增长的挑战时往往力不从心。因此，图神经网络（Graph Neural Networks, GNNs）逐渐成为流行病研究中的一种流行工具。本文旨在对GNNs在流行病任务中的应用进行全面综述，并突出潜在的未来研究方向。为实现这一目标，我们为流行病任务和方法引入了层次分类法，提供了该领域的发展轨迹。对于流行病任务，我们建立了类似于流行病领域常用的分类法；对于方法论，我们将现有的工作分为神经模型和混合模型。随后，我们对这些方法进行了详尽且系统的审查，涵盖了任务及其技术细节。此外，我们还从多个角度讨论了现有方法的局限性，并系统性地提出了未来的研究方向。我们希望本教程能够为研究人员提供有价值的资源，深入探讨当代GNN模型在流行病学中的应用，同时也为未来的探索指明方向。

教程大纲

本次全天教程的主题包括（但不限于）以下内容： * 图论和图傅里叶分析 * 图神经网络的基础 * 机械模型 * 流行病学中的混合模型 * 用于流行病建模的EpiLearn软件包

教程的具体安排如下：

1. 引言和背景介绍（20分钟）

流行病建模 * 图机器学习和图神经网络

2. 综合分类法（40分钟）

流行病学任务 * 流行病学数据集 * 图的构建

3. 休息（15分钟）
4. 探索神经模型和混合模型（60分钟）

方法学特征 * 神经模型 * 混合模型

5. 休息（15分钟）
6. EpiLearn：用于流行病数据建模和分析的Python库（10分钟）
7. 未来方向和结论（20分钟）

大规模流行病建模 * 流行病学中的跨模态应用 * 流行病扩散过程 * 流行病干预措施 * 生成可解释的预测 * 解决流行病数据中的挑战