DeepTrace：利用图神经网络学习优化流行病网络中的接触者追踪策略

《IEEE Transactions on Signal and Information Processing over Networks》：DeepTrace: Learning to Optimize Contact Tracing in Epidemic Networks With Graph Neural Networks

　　数字接触追踪通过技术手段遏制疫情，其核心在于追踪感染源（逆向追踪）和传播链（正向追踪）。本文创新性地将数字接触追踪建模为在线图探索问题，提出基于图神经网络（GNN）的DeepTrace算法，通过迭代采样优化最大似然估计，利用拓扑特征加速学习收敛。该算法结合BFS/DFS实时探索，采用预训练+微调的两阶段调优，在COVID-19变种数据中验证其优于现有方法识别超级传播者的能力，为可扩展的数字追踪策略奠定基础。

　　

摘要：

数字接触者追踪旨在通过技术手段识别和缓解公共卫生紧急情况，从而控制疫情的传播。逆向接触者追踪（即追踪感染源）在诸如日本等地对于识别由超级传播事件引发的COVID-19感染起到了关键作用。本文从新的视角探讨了数字接触者追踪，将其建模为一个在线图探索问题，并将正向和逆向追踪策略视为最大似然估计任务，这些任务利用对疫情网络数据的迭代采样来进行分析。面临的挑战在于组合复杂性和感染的快速传播。我们提出了DeepTrace算法，该算法基于图神经网络（Graph Neural Network），随着新的接触者追踪数据的收集，算法会不断更新其估计结果，通过利用拓扑特征来加速学习过程并提高收敛速度。接触者追踪过程结合使用广度优先搜索（BFS）或深度优先搜索（DFS）来扩展网络并追踪感染源，确保高效的实时探索。此外，GNN模型通过两阶段方法进行微调：首先使用合成数据进行预训练以近似似然概率，然后使用高质量数据进行 fine-tuning 以优化模型。通过使用COVID-19变种数据，我们证明了DeepTrace在识别超级传播者方面优于现有方法，为可扩展的数字接触者追踪策略提供了坚实的基础。

引言

在COVID-19大流行的初期，开发了许多移动应用程序[1]、[2]、[3]、[4]来检测可能接触过SARS-CoV-2冠状病毒的个体并减缓其传播。数字接触者追踪借助网络分析和机器学习，在疫情监测和预防医院内感染方面继续发挥着重要作用，通过优化覆盖范围和追踪传染病的传播来实现这一目标[5]。其主要目的是控制疫情的传播，但这一过程受到疾病快速传播、无症状携带者以及超级传播者（例如，约20%的感染者导致了80%的传播[6]）等挑战的干扰。利用网络科学和机器学习开发的强大自动化数字接触者追踪系统仍处于起步阶段。