Fugu-MT 論文翻訳(概要): Predicting COVID-19 pandemic by spatio-temporal graph neural networks: A New Zealand's study

論文の概要: Predicting COVID-19 pandemic by spatio-temporal graph neural networks: A New Zealand's study

arxiv url: http://arxiv.org/abs/2305.07731v1
Date: Fri, 12 May 2023 19:00:17 GMT
ステータス: 処理完了
システム内更新日: 2023-05-16 20:08:41.314322
Title: Predicting COVID-19 pandemic by spatio-temporal graph neural networks: A New Zealand's study
Title（参考訳）: 時空間グラフニューラルネットワークによる新型コロナウイルスのパンデミック予測 : ニュージーランドの研究
Authors: Viet Bach Nguyen, Truong Son Hy, Long Tran-Thanh, Nhung Nghiem
Abstract要約: 我々は,ATMGNN(Attention-based Multi resolution Graph Neural Networks)という新しいディープラーニングアーキテクチャを提案する。本手法は,空間グラフのマルチスケール構造を学習からクラスタ化アルゴリズムにより,データ駆動方式でキャプチャすることができる。今後は、リアルタイムの予測とグローバルスケールに向けた作業の拡充を予定しています。
参考スコア（独自算出の注目度）: 16.3773496061049
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modeling and simulations of pandemic dynamics play an essential role in understanding and addressing the spreading of highly infectious diseases such as COVID-19. In this work, we propose a novel deep learning architecture named Attention-based Multiresolution Graph Neural Networks (ATMGNN) that learns to combine the spatial graph information, i.e. geographical data, with the temporal information, i.e. timeseries data of number of COVID-19 cases, to predict the future dynamics of the pandemic. The key innovation is that our method can capture the multiscale structures of the spatial graph via a learning to cluster algorithm in a data-driven manner. This allows our architecture to learn to pick up either local or global signals of a pandemic, and model both the long-range spatial and temporal dependencies. Importantly, we collected and assembled a new dataset for New Zealand. We established a comprehensive benchmark of statistical methods, temporal architectures, graph neural networks along with our spatio-temporal model. We also incorporated socioeconomic cross-sectional data to further enhance our prediction. Our proposed model have shown highly robust predictions and outperformed all other baselines in various metrics for our new dataset of New Zealand along with existing datasets of England, France, Italy and Spain. For a future work, we plan to extend our work for real-time prediction and global scale. Our data and source code are publicly available at https://github.com/HySonLab/pandemic_tgnn
Abstract（参考訳）: パンデミックのダイナミクスのモデル化とシミュレーションは、新型コロナウイルスなどの高感染症の拡散の理解と解決に不可欠である。本研究では,空間グラフ情報,すなわち地理的データと時間的情報,すなわち新型コロナウイルス感染者数の時系列データを組み合わせて,パンデミックの将来のダイナミクスを予測することを目的として,ATMGNN(Attention-based Multi resolution Graph Neural Networks)という新しいディープラーニングアーキテクチャを提案する。鍵となる革新は,本手法が空間グラフのマルチスケール構造を学習からクラスタアルゴリズムにより,データ駆動方式で捉えることができる点である。これにより、私たちのアーキテクチャは、パンデミックのローカルまたはグローバルシグナルをピックアップし、長距離の空間的および時間的依存性の両方をモデル化することを学びます。重要なことに、ニュージーランド向けの新しいデータセットを収集し、組み立てました。我々は時空間モデルとともに統計手法、時間的アーキテクチャ、グラフニューラルネットワークの包括的なベンチマークを構築した。また,社会経済横断データを導入し,予測をさらに強化した。提案モデルでは,イギリス,フランス,イタリア,スペインの既存のデータセットとともに,ニュージーランドの新しいデータセットのさまざまな指標において,非常に堅牢な予測結果を示し,その他のベースラインを上回りました。将来的には、リアルタイム予測とグローバルスケールのための作業を拡大する予定です。私たちのデータとソースコードはhttps://github.com/HySonLab/pandemic_tgnnで公開されています。

関連論文リスト

Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文参考訳（メタデータ） (2023-02-20T22:25:47Z)
Temporal Multiresolution Graph Neural Networks For Epidemic Prediction [21.63446544791516]
本稿では,マルチスケール・マルチレゾリューショングラフ構造の構築を学習し,動的グラフの時間的変化を捉えるために時系列信号を組み込んだ最初のアーキテクチャであるTMGNNを紹介する。いくつかの欧州諸国において、実際のCOVID-19パンデミックやニワトリの流行から収集された時系列データに基づいて、今後のパンデミックとパンデミックの拡散を予測するタスクに、提案モデルを適用した。
論文参考訳（メタデータ） (2022-05-30T03:38:33Z)
Multivariate Time Series Regression with Graph Neural Networks [0.6124773188525718]
近年のディープラーニングのグラフへの適用は,様々なグラフ関連タスクにおいて有望な可能性を示している。しかし,これらの手法は時系列関連タスクにはあまり適用されていない。本研究では,これらの長いシーケンスを多変量時系列回帰タスクで処理できるアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-01-03T16:11:46Z)
Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文参考訳（メタデータ） (2021-12-23T12:17:47Z)
GraphFormers: GNN-nested Transformers for Representation Learning on Textual Graph [53.70520466556453]
階層的にGNNコンポーネントを言語モデルのトランスフォーマーブロックと一緒にネストするGraphFormerを提案する。提案したアーキテクチャでは、テキストエンコーディングとグラフ集約を反復的なワークフローに融合する。さらに、プログレッシブ・ラーニング・ストラテジーを導入し、そのモデルが操作されたデータと元のデータに基づいて連続的に訓練され、グラフ上の情報を統合する能力を強化する。
論文参考訳（メタデータ） (2021-05-06T12:20:41Z)
PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-17T08:28:30Z)
Chickenpox Cases in Hungary: a Benchmark Dataset for Spatiotemporal Signal Processing with Graph Neural Networks [6.037276428689637]
グラフニューラルネットワークアーキテクチャを比較するための新しいデータセットとして,Chickenpox Casesデータセットを提案する。時系列解析と予測実験により,新たなグラフニューラルネットワークアーキテクチャの予測性能予測能力を比較する上で,チキンポックスケースデータセットが極めて適していることが示された。
論文参考訳（メタデータ） (2021-02-16T11:48:57Z)
Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文参考訳（メタデータ） (2020-07-30T18:23:18Z)
Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural Networks [8.949096210063662]
本研究では,グラフニューラルネットワークと移動データを用いた新型コロナウイルスのケース予測の新しい予測手法について検討する。我々は、このアプローチを米国の郡レベルのCOVID-19データセットで評価し、グラフニューラルネットワークが活用する豊かな空間的・時間的情報により、複雑なダイナミクスを学習できることを実証した。
論文参考訳（メタデータ） (2020-07-06T23:11:38Z)
Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文参考訳（メタデータ） (2020-05-24T04:02:18Z)
Localized convolutional neural networks for geospatial wind forecasting [0.0]
畳み込みニューラルネットワーク(CNN)は多くの空間データに関して正の特性を有する。本研究では,CNNがグローバルな特徴に加えて,局所的な特徴を学習することのできる局所畳み込みニューラルネットワークを提案する。どのような畳み込みレイヤにも追加可能で、簡単にエンドツーエンドのトレーニングが可能で、最小限の複雑さを導入でき、CNNは必要な範囲でそのメリットの大部分を維持できる。
論文参考訳（メタデータ） (2020-05-12T17:14:49Z)

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。