論文の概要: Combining Graph Neural Networks and Spatio-temporal Disease Models to
Predict COVID-19 Cases in Germany
- arxiv url: http://arxiv.org/abs/2101.00661v1
- Date: Sun, 3 Jan 2021 16:39:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-12 11:34:51.447966
- Title: Combining Graph Neural Networks and Spatio-temporal Disease Models to
Predict COVID-19 Cases in Germany
- Title（参考訳）: グラフニューラルネットワークと時空間病モデルを組み合わせたドイツのcovid-19感染者予測
- Authors: Cornelius Fritz, Emilio Dorigatti, David R\"ugamer
- Abstract要約: いくつかの専門家は、新型コロナウイルスの拡散を説明するために人間の移動性を考慮する必要性を求めた。
ほとんどの統計モデルや疫学モデルでは、人間の移動性を符号化するデータを含む非構造化データソースを直接組み込むことはできない。
本稿では,両研究方向のトレードオフを提案し,統計回帰モデルと機械学習モデルの利点を組み合わせた新しい学習手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: During 2020, the infection rate of COVID-19 has been investigated by many
scholars from different research fields. In this context, reliable and
interpretable forecasts of disease incidents are a vital tool for policymakers
to manage healthcare resources. Several experts have called for the necessity
to account for human mobility to explain the spread of COVID-19. Existing
approaches are often applying standard models of the respective research field.
This habit, however, often comes along with certain restrictions. For instance,
most statistical or epidemiological models cannot directly incorporate
unstructured data sources, including relational data that may encode human
mobility. In contrast, machine learning approaches may yield better predictions
by exploiting these data structures, yet lack intuitive interpretability as
they are often categorized as black-box models. We propose a trade-off between
both research directions and present a multimodal learning approach that
combines the advantages of statistical regression and machine learning models
for predicting local COVID-19 cases in Germany. This novel approach enables the
use of a richer collection of data types, including mobility flows and
colocation probabilities, and yields the lowest MSE scores throughout our
observational period in our benchmark study. The results corroborate the
necessity of including mobility data and showcase the flexibility and
interpretability of our approach.
- Abstract（参考訳）: 2020年には、さまざまな研究分野の研究者が新型コロナウイルスの感染率を調査している。
この文脈では、疾病インシデントの信頼性と解釈可能な予測は、政策立案者が医療資源を管理する上で不可欠なツールである。
新型コロナウイルスの感染拡大を説明するため、複数の専門家が人間の移動性を考慮する必要があると訴えている。
既存のアプローチは、しばしば各研究分野の標準モデルを適用している。
しかし、この習慣は特定の制限を伴うことが多い。
例えば、統計学モデルや疫学モデルでは、人間の移動性を符号化するリレーショナルデータを含む非構造化データソースを直接組み込むことはできない。
対照的に、機械学習のアプローチは、これらのデータ構造を利用することによってより良い予測をもたらすが、しばしばブラックボックスモデルに分類されるため、直感的な解釈性が欠如している。
本稿では,ドイツにおける局所的な新型コロナウイルス感染予測のための統計的回帰モデルと機械学習モデルの利点を組み合わせたマルチモーダル学習手法を提案する。
この新たなアプローチにより,モビリティフローやコロケーション確率など,よりリッチなデータ型コレクションの利用が可能となり,我々の観測期間において最も低いmseスコアが得られた。
その結果,モビリティデータを含める必要性と,アプローチの柔軟性と解釈性が示された。
関連論文リスト
- Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - Modeling, Inference, and Prediction in Mobility-Based Compartmental Models for Epidemiology [5.079807662054658]
疾患の伝達と制御の鍵となる要因として,個人の移動が紹介される。
各区画の移動度分布関数を用いて, 疾患の動態を特徴付ける。
感染集団の時系列から移動度分布を推定する。
論文 参考訳（メタデータ） (2024-06-17T18:13:57Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - 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) - A fairness assessment of mobility-based COVID-19 case prediction models [0.0]
予測モデルのトレーニングに使用されるモビリティデータのバイアスが、特定の人口集団に対して不当に精度の低い予測に繋がる可能性があるという仮説を検証した。
特に、モデルは大きく、高度に教育され、富裕な若者、都市、非黒人が支配する郡を好む傾向にある。
論文 参考訳（メタデータ） (2022-10-08T03:43:51Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - Modelling COVID-19 Pandemic Dynamics Using Transparent, Interpretable,
Parsimonious and Simulatable (TIPS) Machine Learning Models: A Case Study
from Systems Thinking and System Identification Perspectives [1.4061680807550718]
本研究では, システム工学とシステム同定手法を用いて, 透過的, 解釈可能, 擬似的, シミュラブルな動的機械学習モデルを構築することを提案する。
TIPSモデルは、よく知られたNARMAX(Nonlinear AutoRegressive moving Average with eXogenous inputs)モデルに基づいて開発されている。
論文 参考訳（メタデータ） (2021-11-01T08:42:37Z) - Approximate Bayesian Computation for an Explicit-Duration Hidden Markov
Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。
幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。
本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文 参考訳（メタデータ） (2021-04-28T15:32:42Z) - DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive
Surveillance of COVID-19 Using Heterogeneous Features and their Interactions [2.30238915794052]
今後の新型コロナウイルス感染者の増加範囲を予測するための深層学習モデルを提案する。
様々なソースから収集したデータを用いて、米国全郡で7日以内に感染が拡大する範囲を推定する。
論文 参考訳（メタデータ） (2020-07-31T23:37:38Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。