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

• 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)
• Convolutional GRU Network for Seasonal Prediction of the El Ni\~no-Southern Oscillation [24.35408676030181]
  本稿では,エルニーニョ南部振動(ENSO)領域時間列予測問題に対して,畳み込みGated Recurrent Unit (ConvGRU) を改良したネットワークを提案する。 提案するConvGRUネットワークはエンコーダ・デコーダシーケンス・ツー・シーケンス構造を持ち,太平洋地域の歴史的SSTマップを入力として取り込んで,その後数ヶ月間,ENSO領域内で将来のSSTマップを生成する。 その結果, ConvGRU ネットワークは LIM, AF, RNN と比較して Nino 3.4 インデックスの予測可能性を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2023-06-18T00:15:45Z)
• 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)
• 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)
• 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)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)

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。