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
- Towards Generalizable and Interpretable Motion Prediction: A Deep
Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。
このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。
動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文 参考訳(メタデータ) (2024-03-10T04:16:04Z) - 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) - Differential Evolution Algorithm based Hyper-Parameters Selection of
Transformer Neural Network Model for Load Forecasting [0.0]
トランスフォーマーモデルは、そのアテンションメカニズムから派生した長距離依存を学習できるため、ロード予測を改善する可能性がある。
我々の研究は,平均二乗誤差 (MSE) や平均絶対パーセンテージ誤差 (MAPE) といった数値に基づく負荷予測において,異なるメタヒューリスティックアルゴリズムと統合されたトランスフォーマーベースニューラルネットワークモデルを比較した。
論文 参考訳(メタデータ) (2023-07-28T04:29:53Z) - 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 [77.14319095965058]
グラフ上のノードレベルの予測にOOD問題を定式化する。
そこで我々は,探索から抽出までのリスク最小化という新たなドメイン不変学習手法を開発した。
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) - 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) - Trajectory-wise Multiple Choice Learning for Dynamics Generalization in
Reinforcement Learning [137.39196753245105]
本稿では,動的一般化のためのマルチヘッドダイナミックスモデルを学習するモデルベース強化学習アルゴリズムを提案する。
文脈学習は,過去の経験から得られる動的情報からコンテキスト潜在ベクトルにエンコードする。
提案手法は,最先端のRL法と比較して,様々な制御タスクにおいて優れたゼロショット一般化性能を示す。
論文 参考訳(メタデータ) (2020-10-26T03:20:42Z) - 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) - Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM
and Dynamic Behavioral Models [2.11622808613962]
本研究では,Long Short-term memory (LSTM)人工リカレントニューラルネットワークと動的行動モデルを組み合わせた新しいハイブリッドモデルを提案する。
提案モデルでは, 最上位10か国, オーストラリアにおいて, 死亡率の予測精度を高めるために, 複数因子の効果を考察した。
論文 参考訳(メタデータ) (2020-05-24T10:43:55Z) - Multivariate Time Series Forecasting with Transfer Entropy Graph [5.179058210068871]
我々はニューラルグランガー因果性(CauGNN)を用いた新しいエンドツーエンドディープラーニングモデル、グラフニューラルネットワークを提案する。
各変数はグラフノードと見なされ、各エッジは変数間のカジュアルな関係を表す。
提案したCauGNNを評価するために,実世界の3つのベンチマークデータセットが使用されている。
論文 参考訳(メタデータ) (2020-05-03T20:51:00Z)
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。