論文の概要: Transforming Norm-based To Graph-based Spatial Representation for Spatio-Temporal Epidemiological Models

• arxiv url: http://arxiv.org/abs/2402.14539v3
• Date: Sat, 30 Aug 2025 11:34:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-03 20:08:26.107033
• Title: Transforming Norm-based To Graph-based Spatial Representation for Spatio-Temporal Epidemiological Models
• Title（参考訳）: 時空間疫学モデルにおけるノルムからグラフへの変換空間表現
• Authors: Teddy Lazebnik,
• Abstract要約: 疫病は世界的な健康、死亡率、経済の安定、政治的景観に重大な脅威をもたらす。 モデルは2つの主要な空間カテゴリに大別できる:ノルムベースのグラフベースモデル。 本研究では,ノルムに基づく空間表現からグラフに基づく空間表現への変換能力について検討する。
• 参考スコア（独自算出の注目度）: 6.396288020763144
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Pandemics, with their profound societal and economic impacts, pose significant threats to global health, mortality rates, economic stability, and political landscapes. In response to these challenges, numerous studies have employed spatio-temporal models to enhance our understanding and management of these complex phenomena. These spatio-temporal models can be roughly divided into two main spatial categories: norm-based and graph-based. Norm-based models are usually more accurate and easier to model but are more computationally intensive and require more data to fit. On the other hand, graph-based models are less accurate and harder to model but are less computationally intensive and require fewer data to fit. As such, ideally, one would like to use a graph-based model while preserving the representation accuracy obtained by the norm-based model. In this study, we explore the ability to transform from norm-based to graph-based spatial representation for these models. We first show no analytical mapping between the two exists, requiring one to use approximation numerical methods instead. We introduce a novel framework for this task together with twelve possible implementations using a wide range of heuristic optimization approaches. Our findings show that by leveraging agent-based simulations and heuristic algorithms for the graph node's location and population's spatial walk dynamics approximation one can use graph-based spatial representation without losing much of the model's accuracy and expressiveness. We investigate our framework for three real-world cases, achieving 94\% accuracy preservation, on average. Moreover, an analysis of synthetic cases shows the proposed framework is relatively robust for changes in both spatial and temporal properties.
• Abstract（参考訳）: パンデミックは社会と経済に大きな影響を与え、世界保健、死亡率、経済の安定、政治的景観に重大な脅威をもたらす。 これらの課題に対して、これらの複雑な現象の理解と管理を強化するために、時空間モデルを用いた多くの研究がなされている。 これらの時空間モデルは、ノルムベースとグラフベースという2つの主要な空間カテゴリに大別することができる。 ノルムベースのモデルは通常、より正確でより容易にモデル化できるが、より計算集約的で、より多くのデータを必要とする。 一方、グラフベースのモデルは精度が低く、モデル化が難しいが、計算集約性が低く、適合するデータが少ない。 理想的には、標準ベースモデルによって得られた表現精度を保ちながら、グラフベースのモデルを使いたがる。 本研究では,これらのモデルに対して,ノルムベースからグラフベースの空間表現に変換する能力について検討する。 まず、この2つの間の解析的マッピングは存在せず、代わりに近似数値法を用いる必要がある。 本稿では,多種多様なヒューリスティック最適化手法を用いて,12の可能な実装とともに,このタスクのための新しいフレームワークを提案する。 その結果,グラフノードの位置と人口の空間歩行動態の近似にエージェントベースシミュレーションとヒューリスティックアルゴリズムを活用することで,モデルの精度や表現性を損なうことなく,グラフベースの空間表現を利用できることがわかった。 実世界の3症例の枠組みを, 平均94 %の精度で検証した。 さらに, 合成事例の解析により, 提案手法は空間的・時間的特性の変化に対して比較的頑健であることが示された。

関連論文リスト

• Likelihood Based Inference in Fully and Partially Observed Exponential Family Graphical Models with Intractable Normalizing Constants [4.532043501030714]
  マルコフ確率場を符号化する確率的グラフィカルモデルは、生成的モデリングの基本的な構成要素である。 本稿では,これらのモデルの全確率に基づく解析が,計算効率のよい方法で実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-04-27T02:58:22Z)
• Towards Learning Stochastic Population Models by Gradient Descent [0.0]
  パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。 モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
  論文  参考訳（メタデータ） (2024-04-10T14:38:58Z)
• Spatial-Temporal Graph Learning with Adversarial Contrastive Adaptation [19.419836274690816]
  効率的な自己教師型学習を実現するための空間時空間グラフ学習モデル(GraphST)を提案する。 提案手法は, 重要な多視点自己教師情報の蒸留を自動化する, 対向的コントラスト学習パラダイムである。 実生活データセット上での様々な時空間予測タスクにおいて,提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-06-19T03:09:35Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
  我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。 本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。 特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
  論文  参考訳（メタデータ） (2021-04-06T01:44:15Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。