A Review of Graph Neural Networks in Epidemic Modeling

自从COVID-19大流行开始以来，对流行病学模型的研究越来越受到关注。传统的机械模型在数学上描述了传染病的传播机制，但是面对当今日益增长的挑战时往往无法胜任。因此，图神经网络（GNNs）已经成为流行病研究中越来越受欢迎的工具。本文旨在全面回顾GNN在流行病任务中的应用，并突出未来的潜在方向。为了实现这一目标，我们引入了流行病任务和方法论的分层分类法，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通常采用的分类法。对于方法论，我们将现有工作分为“神经模型”和“混合模型”。在此基础上，我们对方法论进行了详尽而系统的考察，包括任务和技术细节。此外，我们从不同的角度讨论了现有方法的局限性，并系统地提出了未来的研究方向。本文旨在弥合文献差距，促进这个有前途的领域的进步。我们希望它能促进GNN和流行病学界之间的协同作用，为它们的共同进步做出贡献。

本论文旨在综述图神经网络在流行病学任务中的应用，并指出未来的研究方向。

论文介绍了一种层次分类法，分别对流行病学任务和方法学进行分类，对现有的方法进行了全面而系统的考察，并提出未来的研究方向。

论文介绍了图神经网络在流行病学中的应用，包括神经模型和混合模型。对现有方法进行了全面而系统的考察，并提出了未来的研究方向。论文使用了多个数据集，并提供了开源代码。

最近的相关研究包括《Epidemiological modeling using machine learning: a review》和《Deep learning for healthcare: review, opportunities and challenges》等。