Graph World Models for Constrained Epidemic Policy Planning

📄 arXiv: 2609.35545v1 📥 PDF

作者: Yiqi Su, Rashed Shelim, Lingyi Wang, Walid Saad, Naren Ramakrishnan

分类: cs.LG, cs.AI

发布日期: 2026-09-28

💡 一句话要点

提出EpiMind以解决区域间疫情政策规划问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 疫情政策规划 图世界模型 资源优化 区域协调 动态建模 公共卫生 机器学习

📋 核心要点

  1. 现有疫情政策规划方法在处理区域间的耦合动态和资源限制方面存在不足，难以实现有效协调。
  2. EpiMind框架通过图因子递归状态空间模型和图时间ADMM，提供了一种新的区域间政策规划方法，确保资源的有效利用。
  3. 实验结果显示，EpiMind在接纳均方根误差上减少29%，并在多个资源预算下优于现有基线，展示了其实际应用潜力。

📝 摘要（中文）

疫情政策规划通常需要在地理区域之间进行协调，考虑到流动性驱动的溢出效应及如何利用有限资源。现有方法要么缺乏耦合动态的行动条件模型，要么无法保证每个周期的可行性。本文提出了EpiMind，一个用于区域间受限疫情政策规划的图世界模型框架。该框架通过图因子递归状态空间模型生成基于区域潜在信念的联合政策条件滚动，同时利用图时间自适应乘子法（ADMM）优化区域干预，确保共享资源的可行性并在学习模型下评估时间规范。EpiMind相较于无图动态建模减少了29%的接纳均方根误差（RMSE），在保证共享预算可行性的情况下，规划结果与最佳可行常量政策相差仅1-5%，并在三个资源预算的实际评估中超越所有可部署基线。这些结果表明，具有明确受限协调的图结构政策想象支持从学习动态中进行有效的疫情干预。

🔬 方法详解

问题定义：本文旨在解决疫情政策规划中区域间的协调问题，现有方法在耦合动态建模和资源可行性保障方面存在不足，导致政策效果不佳。

核心思路：EpiMind通过构建图世界模型，利用图因子递归状态空间模型生成政策条件的动态预测，并通过图时间ADMM优化区域干预，确保资源的共享和可行性。

技术框架：EpiMind的整体架构包括两个主要模块：首先是图因子递归状态空间模型，用于生成区域潜在信念的联合政策条件滚动；其次是图时间ADMM，用于优化干预策略并确保资源的可行性。

关键创新：EpiMind的主要创新在于引入了图结构的政策想象与明确的受限协调机制，这与传统的无图动态建模方法形成了鲜明对比，显著提升了政策规划的效果。

关键设计：在模型设计中，采用了特定的损失函数以优化资源分配，并通过图结构来捕捉区域间的动态关系，确保在不同资源预算下的政策有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

EpiMind在接纳均方根误差（RMSE）上减少了29%，并在保证共享预算可行性的情况下，其规划结果与最佳可行常量政策相差仅1-5%。在实际评估中，该方法超越了所有可部署的基线，展示了其优越的性能。

🎯 应用场景

EpiMind框架在公共卫生、流行病控制和资源管理等领域具有广泛的应用潜力。通过优化区域间的政策协调，该方法可以有效提升疫情应对的效率，降低资源浪费，未来可为政府和公共卫生机构提供决策支持。

📄 摘要（原文）

Epidemic policy planning often requires coordination between geographical regions, taking into account mobility-driven spillovers and how to make use of limited resources. Existing methods either lack action-conditioned models of coupled dynamics or cannot guarantee per-period feasibility. We present EpiMind, a graph world model framework for constrained epidemic policy planning across regions. A graph-factored recurrent state-space model generates joint policy-conditioned rollouts from regional latent beliefs, while graph-temporal ADMM optimizes regional interventions, enforces shared-resource feasibility through projection, and evaluates temporal specifications under the learned model. EpiMind reduces admission RMSE by 29% relative to graph-free dynamics modeling, plans within 1-5% of the best feasible constant policy with guaranteed shared-budget feasibility, and outperforms all deployable baselines across three resource budgets in real-context evaluation. These results demonstrate that graph-structured policy imagination with explicit constrained coordination supports effective epidemic interventions from learned dynamics.