論文の概要: Multimodal Graph Learning for Modeling Emerging Pandemics with Big Data

• arxiv url: http://arxiv.org/abs/2310.14549v1
• Date: Mon, 23 Oct 2023 04:05:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 22:40:10.310452
• Title: Multimodal Graph Learning for Modeling Emerging Pandemics with Big Data
• Title（参考訳）: ビッグデータを用いたパンデミックモデルのためのマルチモーダルグラフ学習
• Authors: Khanh-Tung Tran, Truong Son Hy, Lili Jiang, Xuan-Son Vu
• Abstract要約: 本稿では,時間グラフニューラルネットワークとマルチモーダルデータを統合して学習と予測を行う,MGL4MEPという新しいフレームワークを提案する。 我々は、特定の訓練済み言語モデルを利用することで、ソーシャルメディアコンテンツを含むビッグデータソースを組み込む。 この統合は、時間グラフニューラルネットワークによる学習を通じて、パンデミックのダイナミクスの豊富な指標を提供する。
• 参考スコア（独自算出の注目度）: 3.4512624130325786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate forecasting and analysis of emerging pandemics play a crucial role in effective public health management and decision-making. Traditional approaches primarily rely on epidemiological data, overlooking other valuable sources of information that could act as sensors or indicators of pandemic patterns. In this paper, we propose a novel framework called MGL4MEP that integrates temporal graph neural networks and multi-modal data for learning and forecasting. We incorporate big data sources, including social media content, by utilizing specific pre-trained language models and discovering the underlying graph structure among users. This integration provides rich indicators of pandemic dynamics through learning with temporal graph neural networks. Extensive experiments demonstrate the effectiveness of our framework in pandemic forecasting and analysis, outperforming baseline methods across different areas, pandemic situations, and prediction horizons. The fusion of temporal graph learning and multi-modal data enables a comprehensive understanding of the pandemic landscape with less time lag, cheap cost, and more potential information indicators.
• Abstract（参考訳）: パンデミックの正確な予測と分析は、効果的な公衆衛生管理と意思決定において重要な役割を果たす。 従来のアプローチは主に疫学的データに依存しており、パンデミックのパターンのセンサーや指標として機能する他の貴重な情報ソースを見渡す。 本稿では,時間グラフニューラルネットワークとマルチモーダルデータを統合し,学習と予測を行う新しいフレームワークmgl4mepを提案する。 特定の事前学習された言語モデルを利用して,ソーシャルメディアコンテンツを含むビッグデータソースを取り込み,ユーザ間のグラフ構造を探索する。 この統合は、時間グラフニューラルネットワークによる学習を通じて、パンデミックダイナミクスの豊富な指標を提供する。 広範な実験により,パンデミック予測と分析,各地域におけるベースライン手法,パンデミック状況,予測の地平線を上回って,その効果を実証した。 時間的グラフ学習とマルチモーダルデータの融合により、パンデミックの風景をより少ない時間ラグ、安価なコスト、潜在的な情報指標で包括的に理解することができる。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• Relational Learning in Pre-Trained Models: A Theory from Hypergraph Recovery Perspective [60.64922606733441]
  我々は,関係学習をハイパーグラフリカバリとして形式化する数学的モデルを導入し,基礎モデル(FM)の事前学習について検討する。 我々のフレームワークでは、世界はハイパーグラフとして表現され、データはハイパーエッジからランダムなサンプルとして抽象化される。我々は、このハイパーグラフを復元するための事前学習モデル(PTM)の有効性を理論的に検証し、ミニマックスに近い最適スタイルでデータ効率を解析する。
  論文  参考訳（メタデータ） (2024-06-17T06:20:39Z)
• Advancing Real-time Pandemic Forecasting Using Large Language Models: A COVID-19 Case Study [39.70947911556511]
  既存の予測モデルは、関連するデータと堅牢な結果翻訳の多面的な性質に苦慮している。 本研究は、テキスト推論問題として、リアルタイムに拡散する疾患の予測を再構築する新しいフレームワークであるPandemicLLMを紹介する。 このモデルは新型コロナウイルス(COVID-19)のパンデミックに適用され、テキストによる公衆衛生政策、ゲノム監視、空間および疫学的時系列データを活用するように訓練されている。
  論文  参考訳（メタデータ） (2024-04-10T12:22:03Z)
• Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
  グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。 既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。 本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
  論文  参考訳（メタデータ） (2024-02-26T07:52:40Z)
• 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)
• Graph Contrastive Learning for Multi-omics Data [0.0]
  我々はMOGCL(Multi-Omics Graph Contrastive Learner)という学習フレームワークを提案する。 比較手法による事前学習と教師付き手法による微調整がマルチオミクスデータ分類の効率的な方法であることを示す。
  論文  参考訳（メタデータ） (2023-01-03T10:03:08Z)
• 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)
• 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)
• Multi-modal Graph Learning for Disease Prediction [35.4310911850558]
  病気予測のためのエンドツーエンドのマルチモーダルグラフ学習フレームワーク(MMGL)を提案する。 隣接行列を既存の手法として手動で定義する代わりに、潜在グラフ構造を適応グラフ学習の新しい方法によって捉えることができる。
  論文  参考訳（メタデータ） (2021-07-01T03:59:22Z)
• Health Status Prediction with Local-Global Heterogeneous Behavior Graph [69.99431339130105]
  ウェアラブルセンサから継続的に収集される各種データストリームにより、健康状態の推定が可能です。 行動関連マルチソースデータストリームをローカル・グローバル・グラフでモデル化することを提案する。 学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2021-03-23T11:10:04Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)

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。