09:07官方账号arXiv cs.AI@Yicheng Mao, Haoyang Li, Rob Deardon, Hongru Du精选73°研究人员提出GABLE框架,利用大语言模型模拟疫情中的人类行为变化。该模型在法国COVID-19案例中成功复现了人口混合和年龄特定接触结构。短期预测中,LLM生成的接触矩阵优于基于真实移动数据的矩阵,且预测时间越长优势越明显。GABLE还能评估候选政策实施前后的疫情和人类行为响应。论文GABLELLM疫情模型推荐理由:GABLE用大语言模型模拟人类行为变化,比传统移动数据预测更准,还能提前评估政策效果。原文稍后读已读值得跟进有用关注 GABLE
10:59官方账号arXiv cs.AI@Alina Bazarova, Johann Fredrik Jadebeck, Henrik Zunker, Carolina J. Klett-Tammen, Torben Heinsohn, Wolfgang Wiechert, Katharina Noeh, Stefan Kesselheim该研究将基于模拟推理(SBI)的神经后验估计用于SECIR流行病学模型的贝叶斯校准,并使用2020年德国COVID-19 ICU入住数据。在31天推断窗口中,SBI恢复的后验分布与MCMC高度一致,准确再现ICU轨迹。在更具挑战的201天重构问题中,SBI保留了主要后验结构,尽管不确定性增加。SBI在单GPU上完成31天推断仅需60-70秒,而MCMC需要约1000秒;201天任务中SBI平均157秒,MCMC超过19000秒。结果表明SBI为快速近实时疫情分析提供了高效框架。论文SBIMCMCCOVID-19推荐理由:这篇论文用COVID-19数据实测,SBI比MCMC快几十倍,精度不输,适合需要快速迭代的流行病学建模场景。原文稍后读已读值得跟进有用关注 SBI