論文の概要: Deep Demixing: Reconstructing the Evolution of Network Epidemics

• arxiv url: http://arxiv.org/abs/2306.07938v1
• Date: Sun, 11 Jun 2023 03:20:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 12:22:37.637885
• Title: Deep Demixing: Reconstructing the Evolution of Network Epidemics
• Title（参考訳）: Deep Demixing: ネットワークエピデミクスの進化を再構築する
• Authors: Boning Li, Gojko \v{C}utura, Ananthram Swami, Santiago Segarra
• Abstract要約: 本稿では,部分的あるいは集約的な時間情報からネットワーク上で進行する流行を再構築するグラフオートエンコーダを提案する。 DDmixを複数の非グラフ認識学習アルゴリズムと比較することにより,DDmixの精度を実証する。 提案手法の簡単な後処理拡張により,再構成された伝搬経路におけるスーパースプレッダの同定に役立てることができる。
• 参考スコア（独自算出の注目度）: 30.525682095282257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose the deep demixing (DDmix) model, a graph autoencoder that can reconstruct epidemics evolving over networks from partial or aggregated temporal information. Assuming knowledge of the network topology but not of the epidemic model, our goal is to estimate the complete propagation path of a disease spread. A data-driven approach is leveraged to overcome the lack of model awareness. To solve this inverse problem, DDmix is proposed as a graph conditional variational autoencoder that is trained from past epidemic spreads. DDmix seeks to capture key aspects of the underlying (unknown) spreading dynamics in its latent space. Using epidemic spreads simulated in synthetic and real-world networks, we demonstrate the accuracy of DDmix by comparing it with multiple (non-graph-aware) learning algorithms. The generalizability of DDmix is highlighted across different types of networks. Finally, we showcase that a simple post-processing extension of our proposed method can help identify super-spreaders in the reconstructed propagation path.
• Abstract（参考訳）: 部分的あるいは集約的な時間情報からネットワーク上で進化する流行を再構築するグラフオートエンコーダであるDeep Demixing(DDmix)モデルを提案する。 ネットワークトポロジーの知識を仮定して,流行モデルではなく,病原体の伝播経路を推定することを目的とする。 データ駆動アプローチは、モデル認識の欠如を克服するために利用される。 この逆問題を解決するために、DDmixは過去の流行拡大から訓練されたグラフ条件変分オートエンコーダとして提案される。 DDmixは、潜在空間における(未知の)拡散力学の重要な側面を捉えようとしている。 合成ネットワークと実世界のネットワークでシミュレーションされた流行拡散を用いて,複数の(非グラフ認識)学習アルゴリズムと比較することにより,ddmixの精度を実証する。 DDmixの汎用性は、異なるタイプのネットワークで強調される。 最後に,提案手法の簡易な後処理拡張により,再構成された伝播経路におけるスーパースプリーダーの同定が可能となることを示す。

関連論文リスト

• Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
  本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。 疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。 実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
  論文  参考訳（メタデータ） (2024-11-20T00:43:32Z)
• Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
  拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。 我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。 この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T02:34:24Z)
• Generating Progressive Images from Pathological Transitions via Diffusion Model [12.006910992162661]
  本稿では,適応型深度制御拡散ネットワークを提案する。 実験により, 世代多様性の著しい改善が示唆され, 下流分類では, 生成進行サンプルの有効性が強調された。
  論文  参考訳（メタデータ） (2023-11-21T03:25:51Z)
• Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
  A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。 本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。 また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
  論文  参考訳（メタデータ） (2023-06-01T09:39:32Z)
• PDE+: Enhancing Generalization via PDE with Adaptive Distributional Diffusion [66.95761172711073]
  ニューラルネットワークの一般化は、機械学習における中心的な課題です。 本稿では、入力データを調整することに集中するのではなく、ニューラルネットワークの基盤機能を直接拡張することを提案する。 私たちはこの理論的フレームワークを、$textbfPDE+$$textbfPDE$ with $textbfA$daptive $textbfD$istributional $textbfD$iffusionとして実践しました。
  論文  参考訳（メタデータ） (2023-05-25T08:23:26Z)
• Information-Theoretic Diffusion [18.356162596599436]
  拡散モデルのデノイングは密度モデリングや画像生成において大きな進歩をもたらした。 情報理論における古典的な結果にインスパイアされた拡散モデルのための新しい数学的基礎を導入する。
  論文  参考訳（メタデータ） (2023-02-07T23:03:07Z)
• AMA-GCN: Adaptive Multi-layer Aggregation Graph Convolutional Network for Disease Prediction [20.19380805655623]
  空間分布に応じて適切な表現型尺度を自動的に選択するエンコーダを提案する。 また,多層アグリゲーション機構を用いた新しいグラフ畳み込み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） (2021-06-16T12:13:23Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• DIFFnet: Diffusion parameter mapping network generalized for input diffusion gradient schemes and bvalues [6.7487278071108525]
  DIFFnetと呼ばれる新しいディープニューラルネットワークが開発され、拡散重み付けされた信号の一般化再構成ツールとして機能する。 DIFFnetは拡散テンソルイメージング(DIFFnetDTI)およびニューロライト配向分散と密度イメージング(DIFFnetNODDI)のために評価される。 その結果, ほぼ少ない処理時間で拡散パラメータの正確な再構成が得られた。
  論文  参考訳（メタデータ） (2021-02-04T07:45:36Z)
• 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)

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。