論文の概要: EpiGNN: Exploring Spatial Transmission with Graph Neural Network for
Regional Epidemic Forecasting
- arxiv url: http://arxiv.org/abs/2208.11517v1
- Date: Tue, 23 Aug 2022 14:29:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-25 12:28:54.714896
- Title: EpiGNN: Exploring Spatial Transmission with Graph Neural Network for
Regional Epidemic Forecasting
- Title（参考訳）: epignn:地域流行予測のためのグラフニューラルネットワークによる空間伝達の探索
- Authors: Feng Xie, Zhong Zhang, Liang Li, Bin Zhou, Yusong Tan
- Abstract要約: EpiGNNは、流行予測のためのグラフニューラルネットワークベースのモデルである。
本研究では,送信リスク,地理的依存関係,時間的情報を考慮した地域意識グラフ(RAGL)を開発した。
EpiGNNはRMSEにおいて最先端のベースラインを9.48%上回っている。
- 参考スコア（独自算出の注目度）: 16.543085296174496
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Epidemic forecasting is the key to effective control of epidemic transmission
and helps the world mitigate the crisis that threatens public health. To better
understand the transmission and evolution of epidemics, we propose EpiGNN, a
graph neural network-based model for epidemic forecasting. Specifically, we
design a transmission risk encoding module to characterize local and global
spatial effects of regions in epidemic processes and incorporate them into the
model. Meanwhile, we develop a Region-Aware Graph Learner (RAGL) that takes
transmission risk, geographical dependencies, and temporal information into
account to better explore spatial-temporal dependencies and makes regions aware
of related regions' epidemic situations. The RAGL can also combine with
external resources, such as human mobility, to further improve prediction
performance. Comprehensive experiments on five real-world epidemic-related
datasets (including influenza and COVID-19) demonstrate the effectiveness of
our proposed method and show that EpiGNN outperforms state-of-the-art baselines
by 9.48% in RMSE.
- Abstract（参考訳）: 疫学予測は疫病感染の効果的な制御の鍵であり、公衆衛生を脅かす危機を軽減するのに役立つ。
疫病の伝染と進化をよりよく理解するために,疫病予測のためのグラフニューラルネットワークモデルであるEpiGNNを提案する。
具体的には,疫病発生過程における地域とグローバルな空間効果を特徴付けるトランスミッションリスク符号化モジュールを設計し,それらをモデルに組み込む。
一方,送信リスク,地理的依存関係,時間的情報を考慮した地域意識グラフ学習装置(RAGL)を開発し,空間的時間的依存関係をよりよく探索し,関連する地域の流行状況を認識する。
RAGLは、人間のモビリティなどの外部リソースと組み合わせることで、予測性能をさらに向上することができる。
インフルエンザとCOVID-19を含む5つの現実世界の流行関連データセットに関する総合的な実験は、提案手法の有効性を示し、EpiGNNがRMSEの9.48%で最先端のベースラインを上回っていることを示す。
関連論文リスト
- Epidemiology-informed Graph Neural Network for Heterogeneity-aware Epidemic Forecasting [46.63739322178277]
最近の研究では、異種時相の流行パターンを抽出する際の時空間ニューラルネットワーク(STGNN)の強い可能性を示している。
HeatGNNは、疫学的にインフォームドされた場所を、時間とともに自分自身の伝達メカニズムを反映するさまざまな場所に埋め込むことを学ぶ。
HeatGNNは、HeatHeatのさまざまな強力なベースラインを異なるサイズで上回る。
論文 参考訳（メタデータ） (2024-11-26T12:29:45Z) - 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) - 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) - Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting
Epidemics [2.705025060422369]
感染性疾患は、世界中でヒトの病気や死亡の原因となっている。
感染拡大の予測は、利害関係者が目の前の状況に対処するのに役立つ。
論文 参考訳（メタデータ） (2022-06-21T19:31:25Z) - STOPPAGE: Spatio-temporal Data Driven Cloud-Fog-Edge Computing Framework
for Pandemic Monitoring and Management [28.205715426050105]
行政政策の改善とパンデミック対策のための準備を強化するための分析枠組みを開発することは絶対的に必要である。
本稿では,STOPと呼ばれる時空間知識マイニングフレームワークを提案し,時間スケールの異なる大規模地域における人間の移動性や文脈情報の影響をモデル化する。
i)fog/edgeベースのアーキテクチャを使用したs-temporal data and computing infrastructure、(ii)s-temporal data analyticsモジュールで、異種データソースから知識を効率的に抽出する。
論文 参考訳（メタデータ） (2021-04-04T12:29:31Z) - 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) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳（メタデータ） (2020-10-28T10:58:59Z) - 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) - Transfer Graph Neural Networks for Pandemic Forecasting [32.0506180195988]
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。
論文 参考訳（メタデータ） (2020-09-10T13:23:52Z) - 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) - TDEFSI: Theory Guided Deep Learning Based Epidemic Forecasting with
Synthetic Information [8.681583244827936]
TDEFSIは低分解能時系列データを用いて正確な高分解能予測を行う。
我々は、シーズン内とシーズン間の両方の低分解能観測を行うために、2分岐リカレントニューラルネットワークモデルを訓練する。
予測は観測データによって駆動されるが、特定の都市部の複雑な社会的、人口統計学的、地理的属性をキャプチャする。
論文 参考訳（メタデータ） (2020-01-28T20:51:49Z)
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。