論文の概要: Attributed Network Embedding Model for Exposing COVID-19 Spread
Trajectory Archetypes
- arxiv url: http://arxiv.org/abs/2209.09448v1
- Date: Tue, 20 Sep 2022 03:55:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 19:46:15.261612
- Title: Attributed Network Embedding Model for Exposing COVID-19 Spread
Trajectory Archetypes
- Title(参考訳): 感染拡大軌道アーチタイプを露呈する原因ネットワーク埋め込みモデル
- Authors: Junwei Ma, Bo Li, Qingchun Li, Chao Fan and Ali Mostafavi
- Abstract要約: 新型コロナウイルスは、感染リスクパターンが異なる都市やコミュニティで均質ではないことを明らかにした。
様々な異質な特徴が拡散軌跡に影響を及ぼす可能性がある。
本研究では、クロスカントリー訪問ネットワークをキャプチャするネットワーク埋め込みモデルを作成する。
- 参考スコア(独自算出の注目度): 8.737100011389375
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The spread of COVID-19 revealed that transmission risk patterns are not
homogenous across different cities and communities, and various heterogeneous
features can influence the spread trajectories. Hence, for predictive pandemic
monitoring, it is essential to explore latent heterogeneous features in cities
and communities that distinguish their specific pandemic spread trajectories.
To this end, this study creates a network embedding model capturing
cross-county visitation networks, as well as heterogeneous features to uncover
clusters of counties in the United States based on their pandemic spread
transmission trajectories. We collected and computed location intelligence
features from 2,787 counties from March 3 to June 29, 2020 (initial wave).
Second, we constructed a human visitation network, which incorporated county
features as node attributes, and visits between counties as network edges. Our
attributed network embeddings approach integrates both typological
characteristics of the cross-county visitation network, as well as
heterogeneous features. We conducted clustering analysis on the attributed
network embeddings to reveal four archetypes of spread risk trajectories
corresponding to four clusters of counties. Subsequently, we identified four
features as important features underlying the distinctive transmission risk
patterns among the archetypes. The attributed network embedding approach and
the findings identify and explain the non-homogenous pandemic risk trajectories
across counties for predictive pandemic monitoring. The study also contributes
to data-driven and deep learning-based approaches for pandemic analytics to
complement the standard epidemiological models for policy analysis in
pandemics.
- Abstract(参考訳): 新型コロナウイルスの感染拡大は、伝染リスクパターンが異なる都市やコミュニティに均質ではないことを明らかにし、様々な異質な特徴が拡散経路に影響を与える可能性がある。
したがって、予測的パンデミックのモニタリングには、特定のパンデミックの伝播経路を区別する都市やコミュニティにおける潜伏した異質な特徴を探求することが不可欠である。
この目的のために,本研究では,パンデミック拡散伝達軌跡に基づいて,地域間訪問ネットワークをキャプチャするネットワーク埋め込みモデルと,米国内の郡群を探索する異種特徴を作成した。
2020年3月3日から6月29日までの2,787郡(初期波)で位置情報情報を収集・計算した。
第2に,ノード属性として郡の特徴を取り入れ,ネットワークエッジとして郡間を訪問する人的訪問ネットワークを構築した。
属性付きネットワーク埋め込み手法は,クロスカントリー訪問ネットワークの類型的特徴と異種特徴を統合した。
本報告では, 属性ネットワーク埋め込みのクラスタリング解析を行い, 4郡に対応して, 拡散リスクトラジェクトリの4つのアーキタイプを明らかにした。
その後,アーチタイプ間で異なる伝達リスクパターンの基盤となる4つの重要な特徴を同定した。
推定されたネットワーク埋め込みアプローチと調査結果は、予測的パンデミックのモニタリングのために郡全体で発生しないパンデミックリスクの軌跡を特定し、説明する。
この研究は、パンデミックにおける政策分析の標準的な疫学モデルを補完する、パンデミック分析のためのデータ駆動型およびディープラーニングベースのアプローチにも貢献する。
関連論文リスト
- GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-01-17T13:04:23Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳(メタデータ) (2023-11-28T09:14:55Z) - Digital Twin-Oriented Complex Networked Systems based on Heterogeneous
Node Features and Interaction Rules [13.28255056212425]
本研究では,Digital Twin-Oriented Complex Networked Systemsのための拡張可能なモデリングフレームワークを提案する。
我々は,これらのネットワークに広まる流行に関連するネットワーク成長と異なる透過性に関する様々な特徴と規則を取り入れたシミュレーションベースのDT-CNSの実験を行う。
論文 参考訳(メタデータ) (2023-08-18T01:54:48Z) - Numerically assisted determination of local models in network scenarios [55.2480439325792]
統計的振る舞いを再現する明示的な局所モデルを見つけるための数値ツールを開発する。
グリーンベルガー・ホルン・ザイリンガー(GHZ)およびW分布の臨界振動性に関する予想を提供する。
開発されたコードとドキュメントは、281.com/mariofilho/localmodelsで公開されている。
論文 参考訳(メタデータ) (2023-03-17T13:24:04Z) - Heterophily-Aware Graph Attention Network [58.99478502486377]
グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。
既存のヘテロフィル性GNNは、各エッジのヘテロフィリのモデリングを無視する傾向にあり、これはヘテロフィリ問題に取り組む上でも不可欠である。
本稿では,局所分布を基礎となるヘテロフィリーとして完全に探索し,活用することで,新たなヘテロフィア対応グラフ注意ネットワーク(HA-GAT)を提案する。
論文 参考訳(メタデータ) (2023-02-07T03:21:55Z) - Infectious Probability Analysis on COVID-19 Spreading with Wireless Edge
Networks [15.76060571297478]
本稿では,感染確率の予測について検討し,新型コロナウイルス予防対策を提案する。
記録された留置時間と無線エッジネットワーク内の個体密度から,個人の感染確率を解析するための幾何学的手法を提案する。
その結果,解析結果はシミュレーション結果とよく一致し,提案モデルの有効性が検証された。
論文 参考訳(メタデータ) (2022-10-05T04:26:48Z) - Understanding Character Recognition using Visual Explanations Derived
from the Human Visual System and Deep Networks [6.734853055176694]
深層ニューラルネットワークの情報収集戦略における合同性,あるいはその欠如について検討する。
深層学習モデルは、人間が正しく分類された文字に対して固定した文字の類似した領域を考慮に入れた。
本稿では、視線追跡実験から得られた視覚的固定マップを、モデルが関連する文字領域に焦点を合わせるための監督入力として用いることを提案する。
論文 参考訳(メタデータ) (2021-08-10T10:09:37Z) - Estimating the State of Epidemics Spreading with Graph Neural Networks [41.93923100501976]
アルゴリズム解は、限られた量の措置から人口全体の状態を推測するために使うことができる。
この課題を解決するために,深層ニューラルネットワークの能力を分析する。
論文 参考訳(メタデータ) (2021-05-10T13:54:13Z) - Probabilistic Graph Attention Network with Conditional Kernels for
Pixel-Wise Prediction [158.88345945211185]
本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。
構造化されたマルチスケール機能学習と融合。
本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
論文 参考訳(メタデータ) (2021-01-08T04:14:29Z) - Bayesian Topological Learning for Classifying the Structure of
Biological Networks [1.644043499620662]
Actin cytoskeleton Networkは、ネットワークの穴の数、大きさ、形状の自然変化によって局所的なトポロジカルなシグネチャを生成する。
永続ホモロジー(Persistent homology)は、データのトポロジ的性質を探索し、永続化ダイアグラムとして要約する手法である。
本研究では,アクチンフィラメントネットワークの分類にベイズ係数アルゴリズムを適用し,いくつかの最先端の分類手法と比較した。
論文 参考訳(メタデータ) (2020-09-24T22:43:03Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳(メタデータ) (2020-04-17T11:55:03Z)
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。