論文の概要: Human Mobility Modeling During the COVID-19 Pandemic via Deep Graph
Diffusion Infomax
- arxiv url: http://arxiv.org/abs/2212.05707v1
- Date: Mon, 12 Dec 2022 05:15:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 17:32:47.543446
- Title: Human Mobility Modeling During the COVID-19 Pandemic via Deep Graph
Diffusion Infomax
- Title（参考訳）: 深部グラフ拡散情報マックスを用いたCOVID-19パンデミック時の人体移動モデリング
- Authors: Yang Liu, Yu Rong, Zhuoning Guo, Nuo Chen, Tingyang Xu, Fugee Tsung,
Jia Li
- Abstract要約: 非薬剤干渉(NPI)は、人の接触を減らすことで、新型コロナウイルスの感染を遅らせる効果を示した。
本研究は、モビリティモデリングに焦点を当て、新型コロナウイルスの患者が訪れる場所を予測することを目的としている。
本稿では,DGDI (Deep Graph Diffusion Infomax) というモデルを提案する。
- 参考スコア（独自算出の注目度）: 40.18153418511126
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-Pharmaceutical Interventions (NPIs), such as social gathering
restrictions, have shown effectiveness to slow the transmission of COVID-19 by
reducing the contact of people. To support policy-makers, multiple studies have
first modeled human mobility via macro indicators (e.g., average daily travel
distance) and then studied the effectiveness of NPIs. In this work, we focus on
mobility modeling and, from a micro perspective, aim to predict locations that
will be visited by COVID-19 cases. Since NPIs generally cause economic and
societal loss, such a micro perspective prediction benefits governments when
they design and evaluate them. However, in real-world situations, strict
privacy data protection regulations result in severe data sparsity problems
(i.e., limited case and location information). To address these challenges, we
formulate the micro perspective mobility modeling into computing the relevance
score between a diffusion and a location, conditional on a geometric graph. we
propose a model named Deep Graph Diffusion Infomax (DGDI), which jointly models
variables including a geometric graph, a set of diffusions and a set of
locations.To facilitate the research of COVID-19 prediction, we present two
benchmarks that contain geometric graphs and location histories of COVID-19
cases. Extensive experiments on the two benchmarks show that DGDI significantly
outperforms other competing methods.
- Abstract（参考訳）: 社会的集会制限などの非薬剤的介入(npis)は、人々の接触を減らすことで新型コロナウイルスの感染を遅らせる効果を示している。
政策立案者を支援するために、まずマクロ指標(例えば1日平均移動距離)を介して人間の移動をモデル化し、NPIの有効性について研究した。
本研究は,モビリティ・モデリングに焦点をあて,マイクロの観点から,新型コロナウイルスの感染者が訪れる場所を予測することを目的としている。
NPIは一般的に経済的・社会的損失を引き起こすため、このようなミクロな視点予測は政府にとって、それらを設計し評価する上で有用である。
しかし、現実の状況では、厳格なプライバシーデータ保護規則は厳しいデータ空間の問題(ケースや位置情報の制限など)を引き起こす。
これらの課題に対処するため、マイクロ視点モビリティモデリングを幾何学グラフ上で条件付きで、拡散と位置の関連性スコアを計算するために定式化する。
本研究では,ddi(deep graph diffusion infomax)というモデルを提案する。このモデルでは,図形グラフ,拡散集合,位置集合などの変数を共同でモデル化し,covid-19予測の研究を容易にするために,covid-19症例の幾何グラフと位置履歴を含む2つのベンチマークを提案する。
2つのベンチマークの大規模な実験により、DGDIは他の競合する手法よりも大幅に優れていることが示された。
関連論文リスト
- Data Augmentation for Supervised Graph Outlier Detection via Latent Diffusion Models [39.33024157496401]
本稿では,教師付きグラフ外乱検出におけるクラス不均衡を緩和する新しいデータ拡張であるGODMを紹介する。
複数のデータセットに対して行われた大規模な実験は、GODMの有効性と効率を裏付けるものである。
GODMをプラグイン・アンド・プレイパッケージにカプセル化し,PyPIでリリースする。
論文 参考訳（メタデータ） (2023-12-29T16:50:40Z) - GraphCloak: Safeguarding Task-specific Knowledge within Graph-structured Data from Unauthorized Exploitation [61.80017550099027]
グラフニューラルネットワーク(GNN)は、さまざまな分野でますます普及している。
個人データの不正利用に関する懸念が高まっている。
近年の研究では、このような誤用から画像データを保護する効果的な方法として、知覚不能な毒殺攻撃が報告されている。
本稿では,グラフデータの不正使用に対する保護のためにGraphCloakを導入する。
論文 参考訳（メタデータ） (2023-10-11T00:50:55Z) - 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) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-05T02:31:01Z) - Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data [66.70036251870988]
疾病予防管理センター(CDC)は他の連邦機関と協力して、新型コロナウイルス(COVID-19)の感染が増加する郡(ホットスポット)を特定する。
本稿では,米国における新型コロナウイルスホットスポットの早期発見のためのスパースモデルを提案する。
深層ニューラルネットワークは、カーネルの解釈可能性を維持しながらモデルの代表的なパワーを高めるために導入されている。
論文 参考訳（メタデータ） (2021-05-31T19:28:17Z) - 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) - Combining Graph Neural Networks and Spatio-temporal Disease Models to
Predict COVID-19 Cases in Germany [0.0]
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。
論文 参考訳（メタデータ） (2021-01-03T16:39:00Z) - A Spatial-Temporal Graph Based Hybrid Infectious Disease Model with
Application to COVID-19 [3.785123406103385]
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。
論文 参考訳（メタデータ） (2020-10-18T19:34:54Z)
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。