論文の概要: Finding Patient Zero: Learning Contagion Source with Graph Neural
Networks
- arxiv url: http://arxiv.org/abs/2006.11913v2
- Date: Sat, 27 Jun 2020 04:38:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 12:42:32.987798
- Title: Finding Patient Zero: Learning Contagion Source with Graph Neural
Networks
- Title(参考訳): 患者ゼロを見つける: グラフニューラルネットワークによる伝染源の学習
- Authors: Chintan Shah, Nima Dehmamy, Nicola Perra, Matteo Chinazzi,
Albert-L\'aszl\'o Barab\'asi, Alessandro Vespignani, Rose Yu
- Abstract要約: 感染源の特定は、感染の感染経路に関する重要な洞察を与えることができる。
既存の方法はグラフ理論測度と高価なメッセージパッシングアルゴリズムを用いる。
グラフニューラルネットワーク(GNN)を用いてP0を学習し,この問題を再考する。
- 参考スコア(独自算出の注目度): 67.3415507211942
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Locating the source of an epidemic, or patient zero (P0), can provide
critical insights into the infection's transmission course and allow efficient
resource allocation. Existing methods use graph-theoretic centrality measures
and expensive message-passing algorithms, requiring knowledge of the underlying
dynamics and its parameters. In this paper, we revisit this problem using graph
neural networks (GNNs) to learn P0. We establish a theoretical limit for the
identification of P0 in a class of epidemic models. We evaluate our method
against different epidemic models on both synthetic and a real-world contact
network considering a disease with history and characteristics of COVID-19. %
We observe that GNNs can identify P0 close to the theoretical bound on
accuracy, without explicit input of dynamics or its parameters. In addition,
GNN is over 100 times faster than classic methods for inference on arbitrary
graph topologies. Our theoretical bound also shows that the epidemic is like a
ticking clock, emphasizing the importance of early contact-tracing. We find a
maximum time after which accurate recovery of the source becomes impossible,
regardless of the algorithm used.
- Abstract(参考訳): 感染源の特定、すなわち患者ゼロ(P0)は、感染の感染経路に対する重要な洞察を与え、効率的な資源配分を可能にする。
既存の方法はグラフ理論の集中度測定と高価なメッセージパスアルゴリズムを使い、基礎となる力学とそのパラメータの知識を必要とする。
本稿では,グラフニューラルネットワーク(GNN)を用いてこの問題を再検討し,P0を学習する。
疫病モデルにおけるp0の同定に関する理論的限界を定式化する。
新型ウイルスの病歴と特徴を考慮した総合的および実世界の接触ネットワーク上での異なる流行モデルに対する手法を評価した。
% GNNは, 動的パラメータやパラメータを明示的に入力することなく, 精度の理論的境界に近いP0を同定できる。
さらに、GNNは任意のグラフトポロジを推論する従来の手法よりも100倍以上高速である。
理論上は、流行は時計のようなもので、初期の接触追跡の重要性を強調している。
使用するアルゴリズムによらず,ソースの正確な回復が不可能になるまでの最大時間を求める。
関連論文リスト
- Research on Early Warning Model of Cardiovascular Disease Based on Computer Deep Learning [5.761426161930679]
本研究は,1次元畳み込みニューラルネットワークに基づく心血管疾患早期警戒モデルについて検討することを目的とする。
患者年齢,血糖値,コレステロール値,胸痛値などの生理・症状指標が欠落し,Zスコアが標準化された。
論文 参考訳(メタデータ) (2024-06-13T07:04:22Z) - Temporal Spiking Neural Networks with Synaptic Delay for Graph Reasoning [91.29876772547348]
スパイキングニューラルネットワーク(SNN)は、生物学的にインスパイアされたニューラルネットワークモデルとして研究されている。
本稿では,SNNがシナプス遅延と時間符号化とを併用すると,グラフ推論の実行(知識)に長けていることを明らかにする。
論文 参考訳(メタデータ) (2024-05-27T05:53:30Z) - Integrative Deep Learning Framework for Parkinson's Disease Early Detection using Gait Cycle Data Measured by Wearable Sensors: A CNN-GRU-GNN Approach [0.3222802562733786]
対象のバイナリ分類に適した,先駆的な深層学習アーキテクチャを提案する。
我々のモデルは、1D畳み込みニューラルネットワーク(CNN)、GRU(Gated Recurrent Units)、GNN(Graph Neural Network)のパワーを利用する。
提案モデルでは, 99.51%, 99.57%, 99.71%, 99.64%のスコアが得られた。
論文 参考訳(メタデータ) (2024-04-09T15:19:13Z) - Spatial Temporal Graph Convolution with Graph Structure Self-learning
for Early MCI Detection [9.11430195887347]
本稿では,EMCI検出のための新しいグラフ構造自己学習機構を備えた空間時空間グラフ畳み込みネットワークを提案する。
The Alzheimer's Disease Neuroimaging Initiative databaseの結果は、我々の手法が最先端のアプローチより優れていることを示している。
論文 参考訳(メタデータ) (2022-11-11T12:29:00Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - GKD: Semi-supervised Graph Knowledge Distillation for Graph-Independent
Inference [41.348451615460796]
本稿では,知識蒸留に基づく新しい半教師付き手法GKDを提案する。
自閉症スペクトラム障害の診断のための2つの公開データセットとアルツハイマー病に関する実験を行う。
これらの実験によると、GKDは従来のグラフベースのディープラーニング手法よりも精度、AUC、マクロF1で優れている。
論文 参考訳(メタデータ) (2021-04-08T08:23:37Z) - Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural
Networks [8.949096210063662]
本研究では,グラフニューラルネットワークと移動データを用いた新型コロナウイルスのケース予測の新しい予測手法について検討する。
我々は、このアプローチを米国の郡レベルのCOVID-19データセットで評価し、グラフニューラルネットワークが活用する豊かな空間的・時間的情報により、複雑なダイナミクスを学習できることを実証した。
論文 参考訳(メタデータ) (2020-07-06T23:11:38Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z) - A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for
Question Answering Over Dynamic Contexts [81.4757750425247]
動的テキスト環境における質問応答について検討する。
構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
論文 参考訳(メタデータ) (2020-04-25T04:53:54Z) - 1-D Convlutional Neural Networks for the Analysis of Pupil Size
Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。
モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文 参考訳(メタデータ) (2020-02-06T17:25:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。