論文の概要: PANDORA: Deep graph learning based COVID-19 infection risk level forecasting
- arxiv url: http://arxiv.org/abs/2406.06618v1
- Date: Fri, 7 Jun 2024 07:27:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 21:04:26.878230
- Title: PANDORA: Deep graph learning based COVID-19 infection risk level forecasting
- Title（参考訳）: 深層グラフ学習による新型コロナウイルス感染リスク予測
- Authors: Shuo Yu, Feng Xia, Yueru Wang, Shihao Li, Falih Febrinanto, Madhu Chetty,
- Abstract要約: 新型コロナウイルスの感染リスクの早期のシグナルを提供するためには、適切な予測システムが不可欠である。
COVID-19の感染リスクを予測するため,PANDORAと呼ばれる深層グラフ学習モデルを提案する。
- 参考スコア（独自算出の注目度）: 6.984702599001295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: COVID-19 as a global pandemic causes a massive disruption to social stability that threatens human life and the economy. Policymakers and all elements of society must deliver measurable actions based on the pandemic's severity to minimize the detrimental impact of COVID-19. A proper forecasting system is arguably important to provide an early signal of the risk of COVID-19 infection so that the authorities are ready to protect the people from the worst. However, making a good forecasting model for infection risks in different cities or regions is not an easy task, because it has a lot of influential factors that are difficult to be identified manually. To address the current limitations, we propose a deep graph learning model, called PANDORA, to predict the infection risks of COVID-19, by considering all essential factors and integrating them into a geographical network. The framework uses geographical position relations and transportation frequency as higher-order structural properties formulated by higher-order network structures (i.e., network motifs). Moreover, four significant node attributes (i.e., multiple features of a particular area, including climate, medical condition, economy, and human mobility) are also considered. We propose three different aggregators to better aggregate node attributes and structural features, namely, Hadamard, Summation, and Connection. Experimental results over real data show that PANDORA outperforms the baseline method with higher accuracy and faster convergence speed, no matter which aggregator is chosen. We believe that PANDORA using deep graph learning provides a promising approach to get superior performance in infection risk level forecasting and help humans battle the COVID-19 crisis.
- Abstract（参考訳）: 世界的パンデミックとしての新型コロナウイルスは、社会の安定に大きな混乱をもたらし、人命と経済を脅かす。
新型コロナウイルスの影響を最小限に抑えるため、政策立案者や社会のあらゆる要素は、パンデミックの深刻度に基づく計測可能な措置を講ずる必要がある。
新型コロナウイルスの感染リスクを早期に知らせるためには、適切な予測システムが不可欠であり、当局が国民を最悪の事態から守る準備が整っている。
しかし、各都市や地域における感染リスク予測モデルの構築は、手動で特定が難しい要因が多数あるため、容易な作業ではない。
現状の限界に対処するため,すべての重要な要因を考慮し,地理的ネットワークに組み込むことにより,COVID-19の感染リスクを予測するための深層グラフ学習モデルPANDORAを提案する。
このフレームワークは、高階ネットワーク構造(ネットワークモチーフ)によって構成された高階構造特性として、地理的位置関係と輸送周波数を使用する。
さらに、4つの重要なノード特性(気候、医療状況、経済、人体移動など)も考慮されている。
本稿では,ノード属性と構造的特徴,すなわちHadamard,Summation,Connectionをよりよく集約する3つの異なるアグリゲータを提案する。
実データに対する実験結果から, PANDORAはアグリゲータの選択に拘わらず, 精度が高く, 収束速度も速い。
我々は、深層グラフ学習を用いたPANDORAが、感染リスクレベルの予測において優れたパフォーマンスを得るための有望なアプローチを提供し、人が新型コロナウイルス危機と戦うのを助けると信じている。
関連論文リスト
- A Data-Driven Predictive Analysis on Cyber Security Threats with Key Risk Factors [1.715270928578365]
本稿では、社会経済的要因を分析して、サイバー攻撃の犠牲者となる可能性のある個人を予測するための機械学習(ML)に基づくモデルを示す。
我々は,20個の特徴量(95.95%)で最大精度を達成した新しい特徴量ランダムフォレスト(RF)モデルを提案する。
我々は10の重要な関連ルールを生成し、実世界のデータセットで厳格に評価されたフレームワークを提示した。
論文 参考訳（メタデータ） (2024-03-28T09:41:24Z) - Privacy-Preserving Individual-Level COVID-19 Infection Prediction via
Federated Graph Learning [33.77030569632993]
我々は、フェデレートラーニング(FL)とグラフニューラルネットワーク(GNN)に基づく、プライバシ保護のための個人レベルの感染予測フレームワークの開発に注力する。
本稿では,プライバシ保護のためのフェデレート・グラフ学習手法であるFalconを提案する。
我々の手法は最先端のアルゴリズムより優れており、ユーザのプライバシーを実際のプライバシ攻撃から保護することができる。
論文 参考訳（メタデータ） (2023-11-10T13:22:14Z) - Human Mobility Modeling During the COVID-19 Pandemic via Deep Graph
Diffusion Infomax [40.18153418511126]
非薬剤干渉(NPI)は、人の接触を減らすことで、新型コロナウイルスの感染を遅らせる効果を示した。
本研究は、モビリティモデリングに焦点を当て、新型コロナウイルスの患者が訪れる場所を予測することを目的としている。
本稿では,DGDI (Deep Graph Diffusion Infomax) というモデルを提案する。
論文 参考訳（メタデータ） (2022-12-12T05:15:47Z) - Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data [66.70036251870988]
疾病予防管理センター(CDC)は他の連邦機関と協力して、新型コロナウイルス(COVID-19)の感染が増加する郡(ホットスポット)を特定する。
本稿では,米国における新型コロナウイルスホットスポットの早期発見のためのスパースモデルを提案する。
深層ニューラルネットワークは、カーネルの解釈可能性を維持しながらモデルの代表的なパワーを高めるために導入されている。
論文 参考訳（メタデータ） (2021-05-31T19:28:17Z) - STOPPAGE: Spatio-temporal Data Driven Cloud-Fog-Edge Computing Framework
for Pandemic Monitoring and Management [28.205715426050105]
行政政策の改善とパンデミック対策のための準備を強化するための分析枠組みを開発することは絶対的に必要である。
本稿では,STOPと呼ばれる時空間知識マイニングフレームワークを提案し,時間スケールの異なる大規模地域における人間の移動性や文脈情報の影響をモデル化する。
i)fog/edgeベースのアーキテクチャを使用したs-temporal data and computing infrastructure、(ii)s-temporal data analyticsモジュールで、異種データソースから知識を効率的に抽出する。
論文 参考訳（メタデータ） (2021-04-04T12:29:31Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Semi-supervised Neural Networks solve an inverse problem for modeling
Covid-19 spread [61.9008166652035]
半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。
我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
論文 参考訳（メタデータ） (2020-10-10T19:33:53Z) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z) - Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。
本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。
我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
論文 参考訳（メタデータ） (2020-09-20T12:24:45Z) - COVI White Paper [67.04578448931741]
接触追跡は、新型コロナウイルスのパンデミックの進行を変える上で不可欠なツールだ。
カナダで開発されたCovid-19の公衆ピアツーピア接触追跡とリスク認識モバイルアプリケーションであるCOVIの理論的、設計、倫理的考察、プライバシ戦略について概説する。
論文 参考訳（メタデータ） (2020-05-18T07:40:49Z) - Neural network based country wise risk prediction of COVID-19 [12.500738729507676]
新型コロナウイルスの世界的な感染拡大を受け、研究コミュニティに新たな課題が開かれている。
本稿では,国家のリスクカテゴリを予測するために,LSTMに基づくニューラルネットワークを提案する。
その結果,提案パイプラインは180か国のデータに対して最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-31T20:03:10Z)
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。