論文の概要: Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural
Networks
- arxiv url: http://arxiv.org/abs/2007.03113v1
- Date: Mon, 6 Jul 2020 23:11:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 03:21:33.384742
- Title: Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural
Networks
- Title（参考訳）: 時空間グラフニューラルネットワークを用いたCOVID-19予測の検討
- Authors: Amol Kapoor, Xue Ben, Luyang Liu, Bryan Perozzi, Matt Barnes, Martin
Blais, Shawn O'Banion
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.949096210063662
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we examine a novel forecasting approach for COVID-19 case
prediction that uses Graph Neural Networks and mobility data. In contrast to
existing time series forecasting models, the proposed approach learns from a
single large-scale spatio-temporal graph, where nodes represent the
region-level human mobility, spatial edges represent the human mobility based
inter-region connectivity, and temporal edges represent node features through
time. We evaluate this approach on the US county level COVID-19 dataset, and
demonstrate that the rich spatial and temporal information leveraged by the
graph neural network allows the model to learn complex dynamics. We show a 6%
reduction of RMSLE and an absolute Pearson Correlation improvement from 0.9978
to 0.998 compared to the best performing baseline models. This novel source of
information combined with graph based deep learning approaches can be a
powerful tool to understand the spread and evolution of COVID-19. We encourage
others to further develop a novel modeling paradigm for infectious disease
based on GNNs and high resolution mobility data.
- Abstract（参考訳）: 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。
既存の時系列予測モデルとは対照的に,提案手法は1つの大規模時空間グラフから学習し,ノードは地域レベルの人体移動,空間エッジは人体移動に基づく地域間接続,時間的エッジは時間的特徴を表す。
このアプローチを米国郡レベルの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リッチな空間的および時間的情報によって、モデルが複雑なダイナミクスを学習できることを実証する。
RMSLEは6%減少し,Pearson相関は0.9978から0.998に改善した。
この新たな情報ソースとグラフベースのディープラーニングアプローチは、新型コロナウイルスの拡散と進化を理解するための強力なツールになり得る。
我々は,gnnと高分解能モビリティデータに基づく感染症の新しいモデリングパラダイムをさらに発展させることを奨励する。
関連論文リスト
- A Generative Self-Supervised Framework using Functional Connectivity in
fMRI Data [15.211387244155725]
機能的磁気共鳴イメージング(fMRI)データから抽出した機能的接続性(FC)ネットワークを訓練したディープニューラルネットワークが人気を博している。
グラフニューラルネットワーク(GNN)のFCへの適用に関する最近の研究は、FCの時間変化特性を活用することにより、モデル予測の精度と解釈可能性を大幅に向上させることができることを示唆している。
高品質なfMRIデータとそれに対応するラベルを取得するための高コストは、実環境において彼らのアプリケーションにハードルをもたらす。
本研究では,動的FC内の時間情報を効果的に活用するためのSSL生成手法を提案する。
論文 参考訳（メタデータ） (2023-12-04T16:14:43Z) - Exploring Geometric Deep Learning For Precipitation Nowcasting [28.44612565923532]
そこで我々は,降水量予測のための幾何学的深層学習に基づく時間的グラフ畳み込みネットワーク(GCN)を提案する。
格子セル間の相互作用をシミュレートする隣接行列は、予測と接地真理画素値とのL1損失を最小化することにより、自動的に学習される。
トレント/アイタリー地域におけるレーダ反射率マップの配列について実験を行った。
論文 参考訳（メタデータ） (2023-09-11T21:14:55Z) - Spatial-Temporal Graph Learning with Adversarial Contrastive Adaptation [19.419836274690816]
効率的な自己教師型学習を実現するための空間時空間グラフ学習モデル(GraphST)を提案する。
提案手法は, 重要な多視点自己教師情報の蒸留を自動化する, 対向的コントラスト学習パラダイムである。
実生活データセット上での様々な時空間予測タスクにおいて,提案手法の優位性を示す。
論文 参考訳（メタデータ） (2023-06-19T03:09:35Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - Predicting COVID-19 pandemic by spatio-temporal graph neural networks: A
New Zealand's study [16.3773496061049]
我々は,ATMGNN(Attention-based Multi resolution Graph Neural Networks)という新しいディープラーニングアーキテクチャを提案する。
本手法は,空間グラフのマルチスケール構造を学習からクラスタ化アルゴリズムにより,データ駆動方式でキャプチャすることができる。
今後は、リアルタイムの予測とグローバルスケールに向けた作業の拡充を予定しています。
論文 参考訳（メタデータ） (2023-05-12T19:00:17Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-25T08:45:14Z) - On the spatial attention in Spatio-Temporal Graph Convolutional Networks
for skeleton-based human action recognition [97.14064057840089]
カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。
最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
論文 参考訳（メタデータ） (2020-11-07T19:03:04Z) - A Spatial-Temporal Graph Based Hybrid Infectious Disease Model with
Application to COVID-19 [3.785123406103385]
新型コロナウイルスのパンデミックが進むにつれて、信頼できる予測が政策立案に重要な役割を果たす。
RNNのようなデータ駆動機械学習モデルは、COVID-19のような時系列データに制限がある場合に悩まされる可能性がある。
グラフ構造上にSEIRとRNNを組み合わせることで,学習と予測の精度と効率を両立させるハイブリッド時間モデルを構築する。
論文 参考訳（メタデータ） (2020-10-18T19:34:54Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z)
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。