arXiv cs.AI· Yiqi Su, Rashed Shelim, Lingyi Wang, Walid Saad, Naren Ramakrishnan·· 6 天前AI 评分23
EpiMind：面向受限流行病政策规划的图世界模型
Graph World Models for Constrained Epidemic Policy Planning
AI 导读
EpiMind 是一个面向跨区域受限流行病政策规划的图世界模型框架，通过图因子化循环状态空间模型生成政策条件下的联合推演，并用图时序 ADMM 优化区域干预、保障共享资源可行性。其入院 RMSE 较无图动力学建模降低 29%，规划结果与最优可行恒定政策差距在 1-5% 以内，并在三种资源预算的真实情境评估中优于所有可部署基线。
正文 · AI 翻译
摘要：流行病政策规划通常需要地理区域之间的协调，同时考虑流动性驱动的溢出效应以及如何利用有限资源。现有方法要么缺乏耦合动力学的行动条件模型，要么无法保证逐期可行性。我们提出了 EpiMind，一个用于跨区域受限流行病政策规划的图世界模型框架。图因子化循环状态空间模型从区域潜在信念中生成联合政策条件推演，而图时序 ADMM 优化区域干预措施，通过投影强制共享资源可行性，并在学习到的模型下评估时序规范。与无图动力学建模相比，EpiMind 将入院 RMSE 降低了 29%，在保证共享预算可行性的情况下，其规划结果与最佳可行恒定政策的差距在 1-5% 以内，并在真实情境评估中于三种资源预算下优于所有可部署基线。这些结果表明，具有显式受限协调的图结构政策想象能够基于学习到的动力学支持有效的流行病干预。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.35545 [cs.LG] |
| （或 arXiv:2609.35545v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.35545 arXiv 颁发的 DOI 经由 DataCite |
提交历史
来自：Yiqi Su [查看邮箱]
[v1]
2026年9月28日星期一 16:22:49 UTC（4,375 KB）
[v2]
2026年10月9日星期五 03:29:07 UTC（4,375 KB）
来源：arXiv cs.AI · arxiv.org