GeoID-PINN：地理耦合感知的区域流行病可识别性推断新方法
近日，一篇题为“GeoID-PINN: Identifiability-Aware Regional Epidemic Inference with Geographic Coupling”的论文在 arXiv 上发布，并已被第八届 epiDAMIK ACM SIGKDD 研讨会接收。该研究针对区域流行病监测数据中多种因素难以区分的问题，提出了一种基于物理信息神经网络（PINN）的新模型 GeoID-PINN，旨在更准确地推断区域间传播动态。
研究背景
区域监测数据通常反映本地传播、报告延迟、输入病例以及外部感染压力等多重因素的综合影响。传统的流行病学模型往往难以将这些因素独立识别，导致对区域间传播结构的推断存在不确定性。
模型创新
GeoID-PINN 基于易感-感染-恢复-死亡（SIRD）动力学，通过引入行随机源组成矩阵来刻画空间依赖性。该矩阵的每一行分配非负的源权重，且权重总和为 1，从而表示每个区域的感染来源构成。研究者通过正则化将该矩阵推向由距离、邻接、通勤或领先-滞后信息构建的空间先验，以提高可识别性。
实验结果
在四区域模拟实验中，当使用兼容的距离先验时，源组成误差仅为 0.099；无正则化时误差升至 0.159，而在强烈错误指定的先验下误差高达 0.577。值得注意的是，尽管轨迹拟合和传播尺度估计在不同条件下表现相似，但区域依赖结构的恢复却存在显著差异，这表明准确的轨迹预测并不保证能正确还原区域间的依赖关系。
在回顾性实验中，研究者使用路易斯安那州 64 个县的 COVID-19 数据对模型进行了评估。与自回归负二项基线相比，GeoID-PINN 将均方误差（MSE）从 32,957 降至 11,468，平均绝对误差（MAE）从 70.60 降至 57.73。尽管基线的负对数似然（NLL）更低（5.158 vs 5.346），表明其分布拟合更佳，但点预测精度却不如 GeoID-PINN。
在受控的 15 县比较中，引入县邻接信息使 MSE 降低 6.85%，MAE 降低 3.1%。不同合理先验下的相似性能表明，结构化正则化有效，但无法唯一确定边结构。
结论与展望
研究者强调，在解释结果前必须进行先验敏感性和观测模型检验。GeoID-PINN 为区域流行病推断提供了新的思路，但未来仍需进一步探索如何提高参数可识别性，以及如何在不同场景下应用该模型。
