論文の概要: Transfer Graph Neural Networks for Pandemic Forecasting
- arxiv url: http://arxiv.org/abs/2009.08388v5
- Date: Mon, 12 Apr 2021 14:53:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 03:09:00.757664
- Title: Transfer Graph Neural Networks for Pandemic Forecasting
- Title（参考訳）: パンデミック予測のための転送グラフニューラルネットワーク
- Authors: George Panagopoulos and Giannis Nikolentzos and Michalis Vazirgiannis
- Abstract要約: 人口移動が新型コロナウイルスの感染拡大に与える影響について検討する。
我々は,今後の症例数を予測するためにグラフニューラルネットワークを用いる。
- 参考スコア（独自算出の注目度）: 32.0506180195988
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The recent outbreak of COVID-19 has affected millions of individuals around
the world and has posed a significant challenge to global healthcare. From the
early days of the pandemic, it became clear that it is highly contagious and
that human mobility contributes significantly to its spread. In this paper, we
study the impact of population movement on the spread of COVID-19, and we
capitalize on recent advances in the field of representation learning on graphs
to capture the underlying dynamics. Specifically, we create a graph where nodes
correspond to a country's regions and the edge weights denote human mobility
from one region to another. Then, we employ graph neural networks to predict
the number of future cases, encoding the underlying diffusion patterns that
govern the spread into our learning model. Furthermore, to account for the
limited amount of training data, we capitalize on the pandemic's asynchronous
outbreaks across countries and use a model-agnostic meta-learning based method
to transfer knowledge from one country's model to another's. We compare the
proposed approach against simple baselines and more traditional forecasting
techniques in 3 European countries. Experimental results demonstrate the
superiority of our method, highlighting the usefulness of GNNs in
epidemiological prediction. Transfer learning provides the best model,
highlighting its potential to improve the accuracy of the predictions in case
of secondary waves, if data from past/parallel outbreaks is utilized.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)の流行は世界中の何百万人もの人に影響を与えており、世界の医療にとって大きな課題となっている。
パンデミックの初期には、非常に伝染性が高く、人間の移動性がその拡散に大きく貢献していることが明らかとなった。
本稿では,人口移動が新型コロナウイルス(covid-19)の拡散に及ぼす影響について検討し,その基盤となるダイナミクスを捉えるために,グラフ表現学習の分野における最近の進歩を生かした。
具体的には、ノードが国の地域に対応するグラフを作成し、エッジウェイトは、ある地域から別の地域への人間の移動度を示す。
次に,グラフニューラルネットワークを用いて,学習モデルの拡散を制御している拡散パターンをエンコードし,将来の事例数を予測する。
さらに,訓練データの限られた量を考慮するため,パンデミックが各国で発生した非同期なアウトブレイクに乗じて,モデルに依存しないメタラーニング手法を用いて,ある国のモデルから他国のモデルへ知識を伝達する。
欧州3か国における単純なベースラインと従来型の予測手法に対する提案手法を比較した。
実験により, 疫学予測におけるGNNの有用性を明らかにするとともに, 提案手法の優位性を示した。
転送学習は最高のモデルを提供し、過去/並列のアウトブレイクからのデータを利用する場合、二次波の場合の予測精度を改善する可能性を強調する。
関連論文リスト
- Epidemiology-Aware Neural ODE with Continuous Disease Transmission Graph [14.28921518883576]
持続疾患透過グラフ(EARTH)を用いた疫学対応ニューラル・オードという,革新的なエンドツーエンドフレームワークを提案する。
本稿ではまず,感染メカニズムとニューラルODEアプローチをシームレスに統合するEANOを提案する。
また,グローバルな感染動向をモデル化するためにGLTGを導入し,これらの信号を利用して局所的な感染を動的に誘導する。
論文 参考訳（メタデータ） (2024-09-28T04:07:16Z) - Metapopulation Graph Neural Networks: Deep Metapopulation Epidemic
Modeling with Human Mobility [14.587916407752719]
多段階多地域流行予測のための新しいハイブリッドモデルMepoGNNを提案する。
本モデルでは, 確認症例数だけでなく, 疫学的パラメータも明示的に学習できる。
論文 参考訳（メタデータ） (2023-06-26T17:09:43Z) - Temporal Multiresolution Graph Neural Networks For Epidemic Prediction [21.63446544791516]
本稿では,マルチスケール・マルチレゾリューショングラフ構造の構築を学習し,動的グラフの時間的変化を捉えるために時系列信号を組み込んだ最初のアーキテクチャであるTMGNNを紹介する。
いくつかの欧州諸国において、実際のCOVID-19パンデミックやニワトリの流行から収集された時系列データに基づいて、今後のパンデミックとパンデミックの拡散を予測するタスクに、提案モデルを適用した。
論文 参考訳（メタデータ） (2022-05-30T03:38:33Z) - Multiwave COVID-19 Prediction via Social Awareness-Based Graph Neural
Networks using Mobility and Web Search Data [0.0]
移動データを用いた第1発生波を予測する既存の予測モデルは、マルチウェーブ予測には適用できない可能性がある。
本稿では,症状関連Web検索周波数の減衰を考慮したソーシャルアウェアネスに基づくグラフニューラルネットワーク(SAB-GNN)を提案する。
我々は,2020年4月から2021年5月までのモビリティとWeb検索データを用いて,東京地域での今後のパンデミックの発生を予測するためのモデルを訓練した。
論文 参考訳（メタデータ） (2021-10-22T04:24:50Z) - Modeling the geospatial evolution of COVID-19 using spatio-temporal
convolutional sequence-to-sequence neural networks [48.7576911714538]
ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。
その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
論文 参考訳（メタデータ） (2021-05-06T15:24:00Z) - IA-GCN: Interpretable Attention based Graph Convolutional Network for
Disease prediction [47.999621481852266]
タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。
臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。
本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
論文 参考訳（メタデータ） (2021-03-29T13:04:02Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - Semi-supervised Neural Networks solve an inverse problem for modeling
Covid-19 spread [61.9008166652035]
半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。
我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
論文 参考訳（メタデータ） (2020-10-10T19:33:53Z) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z) - Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。
実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文 参考訳（メタデータ） (2020-06-05T02:04:25Z) - Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic [10.796851110372593]
疫病モデルのためのヒトの移動性を考慮した異種感染率モデルを提案する。
モデルを線形化し、重み付けされた最小二乗を用いることで、我々のモデルは変化傾向に迅速に適応できる。
疫病の初期には、旅行データを用いて予測が増加することが示されている。
論文 参考訳（メタデータ） (2020-04-23T07:25:46Z)
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。