論文の概要: Graph Neural Network Surrogates to leverage Mechanistic Expert Knowledge towards Reliable and Immediate Pandemic Response

• arxiv url: http://arxiv.org/abs/2411.06500v3
• Date: Fri, 10 Oct 2025 18:00:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 22:41:56.063126
• Title: Graph Neural Network Surrogates to leverage Mechanistic Expert Knowledge towards Reliable and Immediate Pandemic Response
• Title（参考訳）: グラフニューラルネットワークによる機械的知識の信頼性と即時パンデミック応答への活用
• Authors: Agatha Schmidt, Henrik Zunker, Alexander Heinlein, Martin J. Kühn,
• Abstract要約: 我々は,空間的および階層的に解決された機械的メタポピュレーションシミュレータのグラフニューラルネットワーク(GNN)サロゲートを開発する。 提案手法は, 力学モデルと比較して最大28,670倍の速さで評価を行う。 結果は、GNNが複雑なメタポピュレーションモデルをパンデミック反応の即時かつ信頼性の高いツールに変換する方法を示している。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: During the COVID-19 crisis, mechanistic models have guided evidence-based decision making. However, time-critical decisions in a dynamical environment limit the time available to gather supporting evidence. We address this bottleneck by developing a graph neural network (GNN) surrogate of a spatially and demographically resolved mechanistic metapopulation simulator. This combined approach advances classical machine learning approaches which are often black box. Our design of experiments spans outbreak and persistent-threat regimes, up to three contact change points, and age-structured contact matrices on a 400-node spatial graph. We benchmark multiple GNN layers and identify an ARMAConv-based architecture that offers a strong accuracy-runtime trade-off. Across 30-90 day horizons and up to three contact change points, the surrogate attains 10-27 % mean absolute percentage error (MAPE) while delivering (near) constant runtime with respect to the forecast horizon. Our approach accelerates evaluation by up to 28,670 times compared with the mechanistic model, allowing responsive decision support in time-critical scenarios and straightforward web integration. These results show how GNN surrogates can translate complex metapopulation models into immediate, reliable tools for pandemic response.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)危機の間、メカニスティックモデルは証拠に基づく意思決定をガイドしてきた。 しかし、動的環境における時間的決定は、証拠を収集するのに利用可能な時間を制限する。 本稿では,グラフニューラルネットワーク(GNN)を空間的に,人口統計学的に解決されたメタポピュレーションシミュレータのサロゲートとして開発することで,このボトルネックに対処する。 この組み合わせアプローチは、しばしばブラックボックスである古典的な機械学習アプローチを前進させる。 実験の設計は,400ノードの空間グラフ上に出現と持続的な状態,最大3点の接触変化点,および年齢構造を持つ接触行列にまたがる。 複数のGNNレイヤをベンチマークし、高い精度とランタイムのトレードオフを提供するARMAConvベースのアーキテクチャを特定します。 30～90日間の地平線と最大3つの接触変化点の間において、サロゲートは予測地平線に対して(ほぼ)一定の実行時間を提供しながら、10～27パーセントの平均絶対パーセンテージ誤差(MAPE)に達する。 提案手法は,機械モデルと比較して最大28,670回評価を加速し,時間クリティカルなシナリオにおける応答性決定支援と簡単なWeb統合を実現する。 これらの結果は、GNNサロゲートが複雑なメタポピュレーションモデルをパンデミック反応の即時かつ信頼性の高いツールに変換する方法を示している。

関連論文リスト

• Unifying Physics- and Data-Driven Modeling via Novel Causal Spatiotemporal Graph Neural Network for Interpretable Epidemic Forecasting [4.791960848500047]
  本稿では,感染症の時間動態をモデル化する新しいCSTG(Causpatioal Neural Graph Network)フレームワークを提案する。 適応的な静的接続グラフを用いて、人間の移動性の安定な成分を表現し、これらのパターンの中で時間的ダイナミクスモデルゆらぎを利用する。 我々は,中国の地方レベルとドイツの州レベルで実世界のデータセットを用いて,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2025-04-07T14:46:11Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
  C$2$TSDという条件拡散フレームワークを導入する。 実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-02-18T11:59:04Z)
• 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)
• Metapopulation Graph Neural Networks: Deep Metapopulation Epidemic Modeling with Human Mobility [14.587916407752719]
  多段階多地域流行予測のための新しいハイブリッドモデルMepoGNNを提案する。 本モデルでは, 確認症例数だけでなく, 疫学的パラメータも明示的に学習できる。
  論文  参考訳（メタデータ） (2023-06-26T17:09:43Z)
• Two-step interpretable modeling of Intensive Care Acquired Infections [0.0]
  本稿では,高解像度長手データと生存モデルの動的予測機能を統合するための新しい手法を提案する。 モデルの解釈可能性を維持しながら予測力を向上すること。
  論文  参考訳（メタデータ） (2023-01-26T14:54:17Z)
• 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)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Deep diffusion-based forecasting of COVID-19 by incorporating network-level mobility information [22.60685417365995]
  我々は、自己回帰混合密度拡散動的ネットワーク(ARM3Dnet)と呼ばれる確率予測のためのディープラーニングに基づく時系列モデルを開発した。 アメリカ合衆国におけるCovid-19の死亡数やケースの予測において,我々のモデルは従来の統計モデルとディープラーニングモデルの両方を上回っていることを示す。
  論文  参考訳（メタデータ） (2021-11-09T15:18:03Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
  新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。 幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。 本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-28T15:32:42Z)
• Neural Pharmacodynamic State Space Modeling [1.589915930948668]
  本研究では,治療が疾患状態に与える影響を物理にインスパイアした,新たな注意に基づくニューラルアーキテクチャを活用した深層生成モデルを提案する。 提案モデルでは, 一般化が大幅に改善され, 実世界の臨床データから, 癌進展のダイナミクスに関する解釈可能な知見が得られる。
  論文  参考訳（メタデータ） (2021-02-22T17:51:11Z)
• 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)
• OutbreakFlow: Model-based Bayesian inference of disease outbreak dynamics with invertible neural networks and its application to the COVID-19 pandemics in Germany [0.19791587637442667]
  専門的なニューラルネットワークを用いた疫学モデリングの新たな組み合わせを提案する。 我々は, 発生時間, 未検出感染数, 症状発症前の感染可能性, および, 非常に適度な量の実世界の観測による遅延の報告など, 重要な疾患特性に関する信頼性の高い確率推定値を得ることができる。
  論文  参考訳（メタデータ） (2020-10-01T11:01:49Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。