論文の概要: A Spatial-Temporal Graph Based Hybrid Infectious Disease Model with
Application to COVID-19
- arxiv url: http://arxiv.org/abs/2010.09077v1
- Date: Sun, 18 Oct 2020 19:34:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 03:56:57.600225
- Title: A Spatial-Temporal Graph Based Hybrid Infectious Disease Model with
Application to COVID-19
- Title（参考訳）: 時空間グラフに基づくハイブリッド感染症モデルとCOVID-19への応用
- Authors: Yunling Zheng, Zhijian Li, Jack Xin, Guofa Zhou
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.785123406103385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As the COVID-19 pandemic evolves, reliable prediction plays an important role
for policy making. The classical infectious disease model SEIR
(susceptible-exposed-infectious-recovered) is a compact yet simplistic temporal
model. The data-driven machine learning models such as RNN (recurrent neural
networks) can suffer in case of limited time series data such as COVID-19. In
this paper, we combine SEIR and RNN on a graph structure to develop a hybrid
spatio-temporal model to achieve both accuracy and efficiency in training and
forecasting. We introduce two features on the graph structure: node feature
(local temporal infection trend) and edge feature (geographic neighbor effect).
For node feature, we derive a discrete recursion (called I-equation) from SEIR
so that gradient descend method applies readily to its optimization. For edge
feature, we design an RNN model to capture the neighboring effect and
regularize the landscape of loss function so that local minima are effective
and robust for prediction. The resulting hybrid model (called IeRNN) improves
the prediction accuracy on state-level COVID-19 new case data from the US,
out-performing standard temporal models (RNN, SEIR, and ARIMA) in 1-day and
7-day ahead forecasting. Our model accommodates various degrees of reopening
and provides potential outcomes for policymakers.
- Abstract（参考訳）: 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。
古典的な感染症モデルSEIR(susceptible-exposed-infectious-recovered)は、コンパクトだが単純化された時間モデルである。
RNN(リカレントニューラルネットワーク)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む可能性がある。
本稿では,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空間モデルを構築する。
グラフ構造には,ノード特徴(局所時間感染傾向)とエッジ特徴(地理的隣接効果)の2つの特徴を導入する。
ノードの特徴に対して、勾配降下法がその最適化に容易に適用できるように、SEIRから離散再帰(I-equation)を導出する。
エッジの特徴として,隣り合う効果を捉え,損失関数のランドスケープを正規化するためにRNNモデルを設計し,局所最小値が有効かつ堅牢であるようにした。
結果として得られたハイブリッドモデル(IeRNNと呼ばれる)は、米国による新型コロナウイルスの新しいケースデータの予測精度を改善し、1日と7日前の予測で標準時間モデル(RNN、SEIR、ARIMA)を上回っている。
我々のモデルは様々なレベルの再開に対応し、政策立案者に潜在的な成果をもたらします。
関連論文リスト
- Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - Uncertainty Quantification over Graph with Conformalized Graph Neural
Networks [52.20904874696597]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。
GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。
本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T21:38:23Z) - 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) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - PINN Training using Biobjective Optimization: The Trade-off between Data
Loss and Residual Loss [0.0]
物理情報ニューラルネットワーク(PINN)は、測定データが利用可能な問題を表現するための効率的なツールであることが証明されている。
本稿では、データ損失と残留損失を2つの個別目的関数として扱うことにより、PINNのトレーニングにおける多目的視点を提案する。
論文 参考訳（メタデータ） (2023-02-03T15:27:50Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳（メタデータ） (2022-04-01T17:57:36Z) - Predicting the spread of COVID-19 in Delhi, India using Deep Residual
Recurrent Neural Networks [0.0]
The dynamics of COVID 19 were extracted using Convolutional Neural Networks and Deep Residual Recurrent Neural Networks。
DRRNNs COVID-19予測モデルは、正確な新型コロナウイルス予測を持っていることが示されている。
論文 参考訳（メタデータ） (2021-10-09T19:16:36Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - A Recurrent Neural Network and Differential Equation Based
Spatiotemporal Infectious Disease Model with Application to COVID-19 [3.464871689508835]
我々は、ディファレンス微分方程式(SIR)とリカレントニューラルネットワーク(RNN)に基づく統合疾患モデルを開発する。
イタリアのCO-19データをトレーニングし,既存の時間モデル(NN,SIR,ARIMA)を1日,3日,1週間の予測で上回っていることを示す。
論文 参考訳（メタデータ） (2020-07-14T07:04:57Z) - 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)
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。