神經後驗估計應用於隨機流行病模型

研究論文提出一種新方法，將神經後驗估計（NPE）應用於隨機流行病模型。NPE 是一種基於模擬的貝葉斯推論方法，通過訓練神經網絡來近似後驗分佈，避免了似然函數的評估。這是首次將 NPE 應用於隨機易感-感染-移除（SIR）流行病模型，並使用最終結果數據進行推論。論文探討了均勻混合群體和家庭結構群體兩種情境，這些數據在回顧性疫情調查和家庭傳播研究中自然產生。傳統的數據增強馬爾可夫鏈蒙地卡羅方法在大群體中混合較慢且難以實現，而近似貝葉斯計算則接受率低，尤其對於大群體或罕見結果。NPE 的離散、低維特性使其非常適合此類場景。研究顯示，使用前饋神經網絡參數化的對數常態後驗近似，能準確恢復參考後驗分佈，適用於不同群體大小和傳播機制。該方法還自然擴展到家庭模型中全局和局部傳播速率的聯合推論。一旦訓練完成，神經網絡能在數秒內產生近似後驗分佈，並可靠泛化到訓練時未見過的群體大小和結構。在合成和真實疫情數據集上的性能表現強勁，結果與已發表分析高度一致。