論文の概要: Global Prediction of COVID-19 Variant Emergence Using Dynamics-Informed
Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2401.03390v1
- Date: Sun, 7 Jan 2024 05:03:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 19:00:20.182573
- Title: Global Prediction of COVID-19 Variant Emergence Using Dynamics-Informed
Graph Neural Networks
- Title（参考訳）: dynamics-informed graph neural networkを用いたcovid-19変異発生のグローバル予測
- Authors: Majd Al Aawar, Srikar Mutnuri, Mansooreh Montazerin, Ajitesh
Srivastava
- Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックで、新型ウイルスの出現が大きな要因となっている。
新たな変種の普及を予測するための現在の手法は、統計的モデリングに依存している。
変動力学インフォームドグラフニューラルネット(GNN)手法を提案する。
- 参考スコア（独自算出の注目度）: 4.23051966679796
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: During the COVID-19 pandemic, a major driver of new surges has been the
emergence of new variants. When a new variant emerges in one or more countries,
other nations monitor its spread in preparation for its potential arrival. The
impact of the variant and the timing of epidemic peaks in a country highly
depend on when the variant arrives. The current methods for predicting the
spread of new variants rely on statistical modeling, however, these methods
work only when the new variant has already arrived in the region of interest
and has a significant prevalence. The question arises: Can we predict when (and
if) a variant that exists elsewhere will arrive in a given country and reach a
certain prevalence? We propose a variant-dynamics-informed Graph Neural Network
(GNN) approach. First, We derive the dynamics of variant prevalence across
pairs of regions (countries) that applies to a large class of epidemic models.
The dynamics suggest that ratios of variant proportions lead to simpler
patterns. Therefore, we use ratios of variant proportions along with some
parameters estimated from the dynamics as features in a GNN. We develop a
benchmarking tool to evaluate variant emergence prediction over 87 countries
and 36 variants. We leverage this tool to compare our GNN-based approach
against our dynamics-only model and a number of machine learning models.
Results show that the proposed dynamics-informed GNN method retrospectively
outperforms all the baselines, including the currently pervasive framework of
Physics-Informed Neural Networks (PINNs) that incorporates the dynamics in the
loss function.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックで、新型ウイルスの出現が大きな要因となっている。
1つ以上の国で新しい変種が現れると、他の国はその潜在的な到着に備えてその拡散を監視します。
変種の影響と流行の時期は、変種が到着した時期に大きく依存する。
新しい変異の拡散を予測する現在の方法は、統計モデルに依存しているが、これらの方法は、新しい変異が興味のある領域に既に到達した場合にのみ機能し、有意な頻度を持つ。
問題が発生するのは: 他国に存在する変異が特定の国にいつ到着し、特定の流行に到達するか(そして、それがいつ)予測できるか?
可変力学インフォームドグラフニューラルネットワーク(GNN)を提案する。
まず,多種多様な流行モデルに適用できる一対の地域 (国) にまたがる変異集団の動態を導出する。
力学は変種比がより単純なパターンをもたらすことを示唆している。
したがって,gnnの特徴として,変動比率の比率と,ダイナミクスから推定されるパラメータの比率を用いる。
87か国36か国にまたがる変異発生予測を評価するベンチマークツールを開発した。
このツールを使用して、gnnベースのアプローチを、ダイナミクスのみのモデルと多くの機械学習モデルと比較します。
その結果、提案手法は、損失関数にダイナミクスを組み込んだ現在普及している物理情報ニューラルネットワーク(PINN)の枠組みを含む、すべてのベースラインを遡及的に上回ることを示す。
関連論文リスト
- Modeling COVID-19 spread in the USA using metapopulation SIR models coupled with graph convolutional neural networks [0.0]
グラフ畳み込みニューラルネットワーク(GCN)は、データ集約的な課題に対処する上で、非常に有望であることを示している。
メタポピュレーション間の人体移動を取り入れることで、感受性-感染-回復モデル(SIR)の予測を改善する試みがいくつかなされている。
近年,GCN-SIRのハイブリッド手法は,地域レベルで収集したデータに対して,既存の手法よりも優れていることが報告されている。
論文 参考訳（メタデータ） (2025-01-03T18:06:26Z) - Epidemiology-informed Graph Neural Network for Heterogeneity-aware Epidemic Forecasting [46.63739322178277]
最近の研究では、異種時相の流行パターンを抽出する際の時空間ニューラルネットワーク(STGNN)の強い可能性を示している。
HeatGNNは、疫学的にインフォームドされた場所を、時間とともに自分自身の伝達メカニズムを反映するさまざまな場所に埋め込むことを学ぶ。
HeatGNNは、HeatHeatのさまざまな強力なベースラインを異なるサイズで上回る。
論文 参考訳（メタデータ） (2024-11-26T12:29:45Z) - Out-of-Distribution Generalized Dynamic Graph Neural Network with
Disentangled Intervention and Invariance Promotion [61.751257172868186]
動的グラフニューラルネットワーク(DyGNN)は、グラフと時間力学を利用して強力な予測能力を実証している。
既存のDyGNNは、動的グラフに自然に存在する分散シフトを処理できない。
論文 参考訳（メタデータ） (2023-11-24T02:42:42Z) - MSGNN: Multi-scale Spatio-temporal Graph Neural Network for Epidemic
Forecasting [4.635793210136456]
感染症の予測は重要な焦点であり、疫病の予防に不可欠であることが証明されている。
グラフニューラルネットワーク(GNN)の深さ拡大による受容場の拡大
我々は、革新的なマルチスケールビューに基づいて、マルチスケール時空間グラフニューラルネットワーク(MSGNN)を考案する。
論文 参考訳（メタデータ） (2023-08-30T08:21:56Z) - 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) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-05T02:31:01Z) - Modeling the geospatial evolution of COVID-19 using spatio-temporal
convolutional sequence-to-sequence neural networks [48.7576911714538]
ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。
その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
論文 参考訳（メタデータ） (2021-05-06T15:24:00Z) - 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) - Inter-Series Attention Model for COVID-19 Forecasting [23.58411106491221]
我々は、複数の領域から得られた時系列のパターンを比較して予測を行う、Attention Crossing Time Series (textbfACTS)と呼ばれる新しいニューラル予測モデルを開発した。
新たに確認された症例、入院、死亡の予測を含む18件中13件の検査のうち、textbfACTSはCDCが強調した主要な新型コロナウイルス(COVID-19)の予測を上回っている。
論文 参考訳（メタデータ） (2020-10-25T00:11:49Z) - Transfer Graph Neural Networks for Pandemic Forecasting [32.0506180195988]
人口移動が新型コロナウイルスの感染拡大に与える影響について検討する。
我々は,今後の症例数を予測するためにグラフニューラルネットワークを用いる。
論文 参考訳（メタデータ） (2020-09-10T13:23:52Z) - COVID-19 forecasting based on an improved interior search algorithm and
multi-layer feed forward neural network [0.0]
今後数日で確認された新型コロナウイルスの症例を分析し、予測する新たな予測モデルが提示される。
ISACL-MFNNモデルは、カオス学習(CL)戦略に基づく改良された内部探索アルゴリズム(ISA)を多層フィードフォワードニューラルネットワーク(MFNN)に統合する。
提案されたモデルは最も影響の大きい国(米国、イタリア、スペイン)で調査されている。
論文 参考訳（メタデータ） (2020-04-06T12:08:10Z)
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。