論文の概要: Cooperating Graph Neural Networks with Deep Reinforcement Learning for
Vaccine Prioritization
- arxiv url: http://arxiv.org/abs/2305.05163v1
- Date: Tue, 9 May 2023 04:19:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 13:55:50.951004
- Title: Cooperating Graph Neural Networks with Deep Reinforcement Learning for
Vaccine Prioritization
- Title(参考訳): ワクチン優先順位付けのためのグラフニューラルネットワークと深層強化学習
- Authors: Lu Ling, Washim Uddin Mondal, Satish V, Ukkusuri
- Abstract要約: 本研究は,供給制限時のパンデミックの全体負担を軽減するためのワクチンの優先順位付け戦略について検討する。
既存の方法では、サブグループ集団内の均一な振る舞いを仮定してマクロレベルまたは単純化されたマイクロレベルワクチンの分布を行う。
我々は,高次空間時間病進化システムのための最適なワクチン配置戦略を求めるために,新しい深層強化学習を開発した。
- 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: This study explores the vaccine prioritization strategy to reduce the overall
burden of the pandemic when the supply is limited. Existing methods conduct
macro-level or simplified micro-level vaccine distribution by assuming the
homogeneous behavior within subgroup populations and lacking mobility dynamics
integration. Directly applying these models for micro-level vaccine allocation
leads to sub-optimal solutions due to the lack of behavioral-related details.
To address the issue, we first incorporate the mobility heterogeneity in
disease dynamics modeling and mimic the disease evolution process using a
Trans-vaccine-SEIR model. Then we develop a novel deep reinforcement learning
to seek the optimal vaccine allocation strategy for the high-degree
spatial-temporal disease evolution system. The graph neural network is used to
effectively capture the structural properties of the mobility contact network
and extract the dynamic disease features. In our evaluation, the proposed
framework reduces 7% - 10% of infections and deaths than the baseline
strategies. Extensive evaluation shows that the proposed framework is robust to
seek the optimal vaccine allocation with diverse mobility patterns in the
micro-level disease evolution system. In particular, we find the optimal
vaccine allocation strategy in the transit usage restriction scenario is
significantly more effective than restricting cross-zone mobility for the top
10% age-based and income-based zones. These results provide valuable insights
for areas with limited vaccines and low logistic efficacy.
- Abstract(参考訳): 本研究は,供給制限時のパンデミックの全体負担を軽減するためのワクチン優先戦略を検討する。
既存手法では, サブグループ集団内での均一な挙動を仮定し, 移動力学統合の欠如を仮定し, マクロレベルあるいは簡易なマイクロレベルワクチン配布を行っている。
マイクロレベルのワクチンアロケーションにこれらのモデルを直接適用すると、行動に関する詳細が欠如しているため、準最適解が得られる。
この問題に対処するために,我々はまず,トランスワクチン-SEIRモデルを用いて病気の進化過程を模倣し,病気の動態モデリングにモビリティの不均一性を取り入れた。
そこで我々は,高次空間時間病進化システムのための最適なワクチン配置戦略を求めるための,新しい深層強化学習を開発した。
グラフニューラルネットワークは、モビリティコンタクトネットワークの構造特性を効果的に捉え、動的疾患の特徴を抽出するために使用される。
本評価では, 基本戦略よりも7%~10%の感染, 死亡率の低下が認められた。
網羅的評価により,マイクロレベル疾患進化システムにおいて,多様なモビリティパターンを用いた最適なワクチン配置を求めることが示唆された。
特に,交通利用制限シナリオにおける最適なワクチン割当戦略は,トップ10%の年齢層と所得層におけるクロスゾーン移動を制限するよりも,はるかに効果的であることがわかった。
これらの結果は、限られたワクチンとロジスティックな効果の低い領域に対して貴重な洞察を与える。
関連論文リスト
- Immunogenicity Prediction with Dual Attention Enables Vaccine Target Selection [6.949493332885247]
ProVaccineは、タンパク質配列と構造を潜在ベクトル表現に統合する、新しいディープラーニングソリューションである。
現在までに最も包括的な免疫原性データセットをコンパイルし、細菌、ウイルス、腫瘍から9,500以上の抗原配列、構造、および免疫原性ラベルを含む。
私たちの研究はワクチン設計に有効なツールを提供し、将来の研究に有用なベンチマークを設定します。
論文 参考訳(メタデータ) (2024-10-03T16:33:35Z) - Promoting Fair Vaccination Strategies Through Influence Maximization: A Case Study on COVID-19 Spread [5.505634045241288]
新型コロナウイルスのパンデミックの余波は、人種的少数派や経済的に奪われた地域社会にとってより深刻な結果をもたらした。
本稿では,人口動態の公平性を取り入れた予防接種戦略を新たに提案する。
論文 参考訳(メタデータ) (2024-02-20T20:54:18Z) - Evaluating COVID-19 vaccine allocation policies using Bayesian $m$-top
exploration [53.122045119395594]
マルチアーム・バンディット・フレームワークを用いてワクチンのアロケーション戦略を評価する新しい手法を提案する。
$m$-top Exploringにより、アルゴリズムは最高のユーティリティを期待する$m$ポリシーを学ぶことができる。
ベルギーのCOVID-19流行を個人モデルSTRIDEを用いて検討し、予防接種方針のセットを学習する。
論文 参考訳(メタデータ) (2023-01-30T12:22:30Z) - Dense Feature Memory Augmented Transformers for COVID-19 Vaccination
Search Classification [60.49594822215981]
本稿では,新型コロナウイルスワクチン関連検索クエリの分類モデルを提案する。
本稿では,モデルが対応可能なメモリトークンとして,高密度特徴を考慮した新しい手法を提案する。
この新しいモデリング手法により,Vaccine Search Insights (VSI) タスクを大幅に改善できることを示す。
論文 参考訳(メタデータ) (2022-12-16T13:57:41Z) - Evaluating vaccine allocation strategies using simulation-assisted
causal modelling [7.9656669215132005]
パンデミックの早期にはワクチンの入手が制限され、異なる集団の優先順位付けが必要になる。
新型コロナウイルスのパンデミックに対する年齢依存型予防接種戦略を遡及的に評価するモデルを構築した。
我々は,2021年に実施したイスラエルのワクチン割当戦略を,先天的な優先順位付けや若年集団の優先順位付け,厳格なリスクランク付けアプローチといった対実的戦略と比較した。
論文 参考訳(メタデータ) (2022-12-14T14:24:17Z) - Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection
Segmentation System [69.40329819373954]
新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。
現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。
本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
論文 参考訳(メタデータ) (2022-09-07T05:01:38Z) - Reinforced Contact Tracing and Epidemic Intervention [8.141401074784406]
我々は,スマートディファレンスコントロール戦略を探索するIDRLECA(Reinforcement Learning Epidemic Control Agent)を開発した。
IDRLECAは感染を非常に低いレベルで抑制し、95%以上の人体移動を維持できる。
論文 参考訳(メタデータ) (2021-02-04T08:31:48Z) - 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) - Semi-supervised Neural Networks solve an inverse problem for modeling
Covid-19 spread [61.9008166652035]
半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。
我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
論文 参考訳(メタデータ) (2020-10-10T19:33:53Z) - VacSIM: Learning Effective Strategies for COVID-19 Vaccine Distribution
using Reinforcement Learning [6.167847933188907]
VacSIMは、Deep Reinforcement Learningモデルを、新型コロナウイルスワクチンの配布を最適化するためのContextual Banditsアプローチに置き換える、新しいパイプラインである。
インド全5州で新型コロナウイルス感染者の発生率に比例して、ワクチンを配布する素早い割当アプローチに対して、本枠組みを評価した。
論文 参考訳(メタデータ) (2020-09-14T17:37:13Z)
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。