論文の概要: Epidemiology-informed Graph Neural Network for Heterogeneity-aware Epidemic Forecasting

• arxiv url: http://arxiv.org/abs/2411.17372v1
• Date: Tue, 26 Nov 2024 12:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:34:11.277730
• Title: Epidemiology-informed Graph Neural Network for Heterogeneity-aware Epidemic Forecasting
• Title（参考訳）: 異種性を考慮したエピデミック予測のための疫学インフォームドグラフニューラルネットワーク
• Authors: Yufan Zheng, Wei Jiang, Alexander Zhou, Nguyen Quoc Viet Hung, Choujun Zhan, Tong Chen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 46.63739322178277
• License:
• Abstract: Among various spatio-temporal prediction tasks, epidemic forecasting plays a critical role in public health management. Recent studies have demonstrated the strong potential of spatio-temporal graph neural networks (STGNNs) in extracting heterogeneous spatio-temporal patterns for epidemic forecasting. However, most of these methods bear an over-simplified assumption that two locations (e.g., cities) with similar observed features in previous time steps will develop similar infection numbers in the future. In fact, for any epidemic disease, there exists strong heterogeneity of its intrinsic evolution mechanisms across geolocation and time, which can eventually lead to diverged infection numbers in two ``similar'' locations. However, such mechanistic heterogeneity is non-trivial to be captured due to the existence of numerous influencing factors like medical resource accessibility, virus mutations, mobility patterns, etc., most of which are spatio-temporal yet unreachable or even unobservable. To address this challenge, we propose a Heterogeneous Epidemic-Aware Transmission Graph Neural Network (HeatGNN), a novel epidemic forecasting framework. By binding the epidemiology mechanistic model into a GNN, HeatGNN learns epidemiology-informed location embeddings of different locations that reflect their own transmission mechanisms over time. With the time-varying mechanistic affinity graphs computed with the epidemiology-informed location embeddings, a heterogeneous transmission graph network is designed to encode the mechanistic heterogeneity among locations, providing additional predictive signals to facilitate accurate forecasting. Experiments on three benchmark datasets have revealed that HeatGNN outperforms various strong baselines. Moreover, our efficiency analysis verifies the real-world practicality of HeatGNN on datasets of different sizes.
• Abstract（参考訳）: 時空間予測の課題の中で、疫病の予測は公衆衛生管理において重要な役割を担っている。 近年の研究では、パンデミック予測のための異種時空間パターン抽出における時空間グラフニューラルネットワーク(STGNN)の強い可能性を示している。 しかし、これらの手法の多くは、過去に観察されたような特徴を持つ2つの場所(例えば、都市)が、将来同様の感染番号を発達させるという過度に単純化された仮定を持っている。 実際、どんな伝染病でも、その固有の進化機構が位置や時間にわたって強い異質性が存在するため、最終的には2つの「類似」箇所で感染番号がばらばらになる可能性がある。 しかし、そのような機械的不均一性は、医療資源のアクセシビリティ、ウイルスの突然変異、移動パターンなど、多くの影響を及ぼす要因が存在するため、簡単には捉えられない。 この課題に対処するために,新しい流行予測フレームワークであるヘテロジニアス・エピデミック・アウェア・トランスミッショングラフニューラルネットワーク(HeatGNN)を提案する。 疫学力学モデルをGNNに結合することにより、HeatGNNは、時間とともに自分自身の伝達機構を反映する異なる場所の、疫学にインフォームドされた位置埋め込みを学習する。 エピデミロジーインフォームド位置埋め込みによって計算される時間変化機械的親和性グラフを用いて、異種伝送グラフネットワークは、位置間の機械的不均一性を符号化し、正確な予測を容易にするための追加の予測信号を提供するように設計されている。 3つのベンチマークデータセットの実験により、HeatGNNは様々な強力なベースラインを上回っていることが明らかになった。 さらに,本研究では,異なるサイズのデータセット上でのHeatGNNの現実的実用性を検証する。

関連論文リスト

• Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
  本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。 疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。 実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
  論文  参考訳（メタデータ） (2024-11-20T00:43:32Z)
• Epidemiology-Aware Neural ODE with Continuous Disease Transmission Graph [14.28921518883576]
  持続疾患透過グラフ(EARTH)を用いた疫学対応ニューラル・オードという,革新的なエンドツーエンドフレームワークを提案する。 本稿ではまず,感染メカニズムとニューラルODEアプローチをシームレスに統合するEANOを提案する。 また,グローバルな感染動向をモデル化するためにGLTGを導入し,これらの信号を利用して局所的な感染を動的に誘導する。
  論文  参考訳（メタデータ） (2024-09-28T04:07:16Z)
• A Review of Graph Neural Networks in Epidemic Modeling [14.28921518883576]
  新型コロナウイルスのパンデミックが始まって以来、疫学モデルの研究への関心が高まっている。 グラフニューラルネットワーク(Graph Neural Networks)は、伝染病の研究において、徐々に人気が高まっているツールだ。
  論文  参考訳（メタデータ） (2024-03-28T21:54:48Z)
• 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)
• MPSTAN: Metapopulation-based Spatio-Temporal Attention Network for Epidemic Forecasting [2.0297284948237366]
  メタポピュレーションに基づく時空間注意ネットワーク(MPSTAN)と呼ばれるハイブリッドモデルを提案する。 本モデルは,マルチパッチ疫学知識を時間モデルに取り入れ,パッチ間相互作用を適応的に定義することにより,流行予測の精度を向上させることを目的とする。
  論文  参考訳（メタデータ） (2023-06-15T18:12:55Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting Epidemics [2.705025060422369]
  感染性疾患は、世界中でヒトの病気や死亡の原因となっている。 感染拡大の予測は、利害関係者が目の前の状況に対処するのに役立つ。
  論文  参考訳（メタデータ） (2022-06-21T19:31:25Z)
• 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)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)

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。