論文の概要: MPSTAN: Metapopulation-based Spatio-Temporal Attention Network for Epidemic Forecasting

• arxiv url: http://arxiv.org/abs/2306.12436v1
• Date: Thu, 15 Jun 2023 18:12:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-26 01:10:27.168132
• Title: MPSTAN: Metapopulation-based Spatio-Temporal Attention Network for Epidemic Forecasting
• Title（参考訳）: MPSTAN: エピデミック予測のためのメタポピュレーションに基づく時空間アテンションネットワーク
• Authors: Junkai Mao, Yuexing Han and Bing Wang
• Abstract要約: メタポピュレーションに基づく時空間注意ネットワーク(MPSTAN)と呼ばれるハイブリッドモデルを提案する。 本モデルは,マルチパッチ疫学知識を時間モデルに取り入れ,パッチ間相互作用を適応的に定義することにより,流行予測の精度を向上させることを目的とする。
• 参考スコア（独自算出の注目度）: 2.0297284948237366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate epidemic forecasting plays a vital role for governments in developing effective prevention measures for suppressing epidemics. Most of the present spatio-temporal models cannot provide a general framework for stable, and accurate forecasting of epidemics with diverse evolution trends. Incorporating epidemiological domain knowledge ranging from single-patch to multi-patch into neural networks is expected to improve forecasting accuracy. However, relying solely on single-patch knowledge neglects inter-patch interactions, while constructing multi-patch knowledge is challenging without population mobility data. To address the aforementioned problems, we propose a novel hybrid model called Metapopulation-based Spatio-Temporal Attention Network (MPSTAN). This model aims to improve the accuracy of epidemic forecasting by incorporating multi-patch epidemiological knowledge into a spatio-temporal model and adaptively defining inter-patch interactions. Moreover, we incorporate inter-patch epidemiological knowledge into both the model construction and loss function to help the model learn epidemic transmission dynamics. Extensive experiments conducted on two representative datasets with different epidemiological evolution trends demonstrate that our proposed model outperforms the baselines and provides more accurate and stable short- and long-term forecasting. We confirm the effectiveness of domain knowledge in the learning model and investigate the impact of different ways of integrating domain knowledge on forecasting. We observe that using domain knowledge in both model construction and loss functions leads to more efficient forecasting, and selecting appropriate domain knowledge can improve accuracy further.
• Abstract（参考訳）: 正確な流行予測は、政府にとって感染抑制の効果的な対策を開発する上で重要な役割を担う。 現在の時空間モデルのほとんどは、様々な進化傾向を持つ流行の安定かつ正確な予測のための一般的な枠組みを提供できない。 単一パッチからマルチパッチまでの疫学領域の知識をニューラルネットワークに組み込むことで予測精度が向上することが期待される。 しかし、単一パッチの知識のみに頼ることは、マルチパッチの知識を構築することは、人口移動データなしでは困難である。 上記の問題に対処するため,メタポピュレーションに基づく時空間注意ネットワーク(MPSTAN)と呼ばれる新しいハイブリッドモデルを提案する。 本モデルは,マルチパッチ疫学知識を時空間モデルに取り入れ,パッチ間相互作用を適応的に定義することにより,流行予測の精度を向上させることを目的とする。 さらに,モデル構築と損失関数の両方にパッチ間疫学知識を組み込むことにより,モデルが伝染病の伝播動態を学ぶことを助ける。 疫学進化傾向の異なる2つの代表的なデータセットで実施した広範囲な実験により,提案モデルがベースラインより優れ,より正確で安定した短期・長期予測を提供することが示された。 学習モデルにおけるドメイン知識の有効性を確認し,ドメイン知識の統合が予測に与える影響について検討する。 モデル構築と損失関数の両方でドメイン知識を使用することにより、より効率的な予測が可能となり、適切なドメイン知識の選択によりさらに精度が向上することが観察される。

関連論文リスト

• A Short Survey of Human Mobility Prediction in Epidemic Modeling from Transformers to LLMs [0.0]
  疫病の流行をモデル化するためには、人々がどう動くかを理解することが不可欠である。 人口移動の予測は、公衆衛生上の緊急時のモデルや効果的な対応計画の策定に不可欠である。 BERTやLLM(Large Language Models)のような事前訓練された言語モデルを用いて,モビリティ予測タスクに特化して,さまざまなアプローチをレビューする。
  論文  参考訳（メタデータ） (2024-04-25T17:52:19Z)
• Metapopulation Graph Neural Networks: Deep Metapopulation Epidemic Modeling with Human Mobility [14.587916407752719]
  多段階多地域流行予測のための新しいハイブリッドモデルMepoGNNを提案する。 本モデルでは, 確認症例数だけでなく, 疫学的パラメータも明示的に学習できる。
  論文  参考訳（メタデータ） (2023-06-26T17:09:43Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting Epidemics [2.705025060422369]
  感染性疾患は、世界中でヒトの病気や死亡の原因となっている。 感染拡大の予測は、利害関係者が目の前の状況に対処するのに役立つ。
  論文  参考訳（メタデータ） (2022-06-21T19:31:25Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• OutbreakFlow: Model-based Bayesian inference of disease outbreak dynamics with invertible neural networks and its application to the COVID-19 pandemics in Germany [0.19791587637442667]
  専門的なニューラルネットワークを用いた疫学モデリングの新たな組み合わせを提案する。 我々は, 発生時間, 未検出感染数, 症状発症前の感染可能性, および, 非常に適度な量の実世界の観測による遅延の報告など, 重要な疾患特性に関する信頼性の高い確率推定値を得ることができる。
  論文  参考訳（メタデータ） (2020-10-01T11:01:49Z)
• 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)
• Simulation of Covid-19 epidemic evolution: are compartmental models really predictive? [0.0]
  本稿では,無症候性および死亡個体群に富んだSIR疫学モデルが,流行の進展を確実に予測できるかどうかを論じる。 粒子群最適化(PSO)に基づく機械学習手法を提案する。 予測における散乱の分析は、モデル予測がトレーニングに使用されるデータセットのサイズに非常に敏感であり、さらにデータが必要であることを示している。
  論文  参考訳（メタデータ） (2020-04-14T08:42:11Z)

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。