論文の概要: Metapopulation Graph Neural Networks: Deep Metapopulation Epidemic
Modeling with Human Mobility
- arxiv url: http://arxiv.org/abs/2306.14857v2
- Date: Tue, 27 Jun 2023 13:44:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-28 10:10:09.646445
- Title: Metapopulation Graph Neural Networks: Deep Metapopulation Epidemic
Modeling with Human Mobility
- Title(参考訳): メタポピュレーショングラフニューラルネットワーク:ヒト運動を用いた深部メタポピュレーションエピデミックモデリング
- Authors: Qi Cao, Renhe Jiang, Chuang Yang, Zipei Fan, Xuan Song, Ryosuke
Shibasaki
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 14.587916407752719
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Epidemic prediction is a fundamental task for epidemic control and
prevention. Many mechanistic models and deep learning models are built for this
task. However, most mechanistic models have difficulty estimating the
time/region-varying epidemiological parameters, while most deep learning models
lack the guidance of epidemiological domain knowledge and interpretability of
prediction results. In this study, we propose a novel hybrid model called
MepoGNN for multi-step multi-region epidemic forecasting by incorporating Graph
Neural Networks (GNNs) and graph learning mechanisms into Metapopulation SIR
model. Our model can not only predict the number of confirmed cases but also
explicitly learn the epidemiological parameters and the underlying epidemic
propagation graph from heterogeneous data in an end-to-end manner. The
multi-source epidemic-related data and mobility data of Japan are collected and
processed to form the dataset for experiments. The experimental results
demonstrate our model outperforms the existing mechanistic models and deep
learning models by a large margin. Furthermore, the analysis on the learned
parameters illustrate the high reliability and interpretability of our model
and helps better understanding of epidemic spread. In addition, a mobility
generation method is presented to address the issue of unavailable mobility
data, and the experimental results demonstrate effectiveness of the generated
mobility data as an input to our model.
- Abstract(参考訳): 流行予測は疫病対策と予防の基本的な課題である。
多くの力学モデルとディープラーニングモデルがこのタスクのために構築されている。
しかし、ほとんどの機械モデルでは時間/地域変動の疫学パラメータの推定が困難であるが、深層学習モデルは疫学領域知識の指導や予測結果の解釈可能性に欠ける。
本研究では,グラフニューラルネットワーク(GNN)とグラフ学習機構をメタポピュレーションSIRモデルに組み込んだ多段階多地点流行予測のためのMepoGNNというハイブリッドモデルを提案する。
本モデルでは, 診断された症例数だけでなく, 不均一なデータから疫学的パラメータや流行伝播グラフをエンド・ツー・エンドで明示的に学習する。
日本における多ソース流行関連データと移動データを収集処理し,実験用データセットを作成する。
実験により,我々のモデルは,既存の力学モデルやディープラーニングモデルよりも大きなマージンで優れていることを示した。
さらに, 学習パラメータの解析により, モデルの信頼性と解釈性が向上し, 感染拡大の理解を深めることができた。
さらに,不利用可能なモビリティデータの問題に対処するモビリティ生成手法を提案し,本モデルに対する入力として生成されたモビリティデータの有効性を実験的に示す。
関連論文リスト
- Towards Graph Neural Network Surrogates Leveraging Mechanistic Expert Knowledge for Pandemic Response [41.94295877935867]
我々は、空間的かつ人口統計学的に解決された伝染病モデルを構築し、パンデミックの初期段階を表すデータセットのためのグラフニューラルネットワークを訓練する。
提案手法は、オンザフライ実行の可能性をもたらし、低バリアWebアプリケーションにおける病気のダイナミクスモデルの統合をもたらす。
論文 参考訳(メタデータ) (2024-11-10T15:54:09Z) - 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) - 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) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - 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) - Unifying Epidemic Models with Mixtures [28.771032745045428]
新型コロナウイルスのパンデミックは、感染モデルに対する強固な理解の必要性を強調している。
本稿では2つのアプローチをブリッジする単純な混合モデルを提案する。
モデルは非機械的であるが、ネットワーク化されたSIRフレームワークに基づくプロセスの自然な結果として現れることを示す。
論文 参考訳(メタデータ) (2022-01-07T19:42:05Z) - Discrepancies in Epidemiological Modeling of Aggregated Heterogeneous
Data [1.433758865948252]
本研究では, 複雑なシステムに直面すると, 伝染率などの疫学パラメータを推定するための最先端モデルが不適切であることを示す。
複数の流行から発生した入射曲線を組み合わせることで、複雑な発生シナリオを3つ生成する。
このベイズ推定フレームワークにおける2つのデータ生成モデルを評価する。
論文 参考訳(メタデータ) (2021-06-20T03:41:19Z) - 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) - 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) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z)
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。