論文の概要: An AI-enabled Agent-Based Model and Its Application in Measles Outbreak
Simulation for New Zealand
- arxiv url: http://arxiv.org/abs/2403.03434v2
- Date: Sat, 9 Mar 2024 05:01:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-12 17:21:16.402672
- Title: An AI-enabled Agent-Based Model and Its Application in Measles Outbreak
Simulation for New Zealand
- Title（参考訳）: ニュージーランドにおけるAI対応エージェントベースモデルとその麻疹発生シミュレーションへの応用
- Authors: Sijin Zhang, Alvaro Orsi, Lei Chen
- Abstract要約: エージェントベースモデル(ABM)は、複雑な社会的相互作用を研究する強力なツールとして登場した。
グラフニューラルネットワーク(GNN)とLong Short-Term Memory(LSTM)を結合したテンソル化・微分可能なエージェントベースモデルを開発した。
本稿では、最新の人工知能(AI)技術と従来のABMの能力を活用して、伝染病の発生のダイナミクスについてより深い知見を得る。
- 参考スコア（独自算出の注目度）: 5.4017711896476905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agent Based Models (ABMs) have emerged as a powerful tool for investigating
complex social interactions, particularly in the context of public health and
infectious disease investigation. In an effort to enhance the conventional ABM,
enabling automated model calibration and reducing the computational resources
needed for scaling up the model, we have developed a tensorized and
differentiable agent-based model by coupling Graph Neural Network (GNN) and
Long Short-Term Memory (LSTM) network. The model was employed to investigate
the 2019 measles outbreak occurred in New Zealand, demonstrating a promising
ability to accurately simulate the outbreak dynamics, particularly during the
peak period of repeated cases. This paper shows that by leveraging the latest
Artificial Intelligence (AI) technology and the capabilities of traditional
ABMs, we gain deeper insights into the dynamics of infectious disease
outbreaks. This, in turn, helps us make more informed decision when developing
effective strategies that strike a balance between managing outbreaks and
minimizing disruptions to everyday life.
- Abstract（参考訳）: エージェントベースモデル(ABM)は、複雑な社会的相互作用、特に公衆衛生や感染症の調査の文脈において、強力なツールとして登場した。
従来のabmの拡張,モデルキャリブレーションの自動化,モデルのスケールアップに必要な計算リソースの削減を目的として,グラフニューラルネットワーク(gnn)とlong short-term memory(lstm)ネットワークを結合した,テンソル化および微分可能なエージェントベースモデルを開発した。
このモデルは、2019年にニュージーランドで発生した麻疹の流行を調査するために使用され、特に繰り返し発生するケースのピーク期間中に、感染のダイナミクスを正確にシミュレートする有望な能力を実証した。
本稿では,最新の人工知能(ai)技術と従来のabmの能力を活用することで,感染症発生のダイナミクスに関する深い洞察を得る。
このことは、アウトブレイク管理と日常生活の混乱を最小限に抑えるバランスをとる効果的な戦略を開発する上で、より深い意思決定に役立つ。
関連論文リスト
- Towards Graph Neural Network Surrogates Leveraging Mechanistic Expert Knowledge for Pandemic Response [41.94295877935867]
我々は、空間的かつ人口統計学的に解決された伝染病モデルを構築し、パンデミックの初期段階を表すデータセットのためのグラフニューラルネットワークを訓練する。
提案手法は、オンザフライ実行の可能性をもたらし、低バリアWebアプリケーションにおける病気のダイナミクスモデルの統合をもたらす。
論文 参考訳（メタデータ） (2024-11-10T15:54:09Z) - REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳（メタデータ） (2024-06-03T16:30:19Z) - Structured Model Pruning for Efficient Inference in Computational Pathology [2.9687381456164004]
バイオメディカルイメージングにおいて広く使われているU-Netスタイルのアーキテクチャを解析する手法を開発した。
我々は,プルーニングが性能を低下させることなく,少なくとも70%圧縮できることを実証的に実証した。
論文 参考訳（メタデータ） (2024-04-12T22:05:01Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Unraveling the Geography of Infection Spread: Harnessing Super-Agents
for Predictive Modeling [0.4527270266697462]
ボロノイ・ダイアグラム・テッセルレーション(Voronoi Diagram tessellations)は、特定のストリートネットワークの場所に基づいて、標準のCensus Block Groupテッセルレーションより優れている。
本研究は,都市部における病気のモデリングを改良し,地理的特異性と高い計算効率を必要とするシナリオにおける公衆衛生戦略を支援する。
論文 参考訳（メタデータ） (2023-09-13T16:13:13Z) - Neural Network Augmented Compartmental Pandemic Models [0.0]
本稿では,コモディティハードウェア上で動作可能なニューラルネットワーク拡張SIRモデルを提案する。
NPIと気象効果を考慮に入れ、予測能力と対物分析能力の向上を提供する。
論文 参考訳（メタデータ） (2022-12-15T10:57:12Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。
我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
論文 参考訳（メタデータ） (2022-06-13T03:41:31Z) - 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) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z)
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。