論文の概要: Towards the efficacy of federated prediction for epidemics on networks
- arxiv url: http://arxiv.org/abs/2412.02161v1
- Date: Tue, 03 Dec 2024 04:37:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:40:48.352693
- Title: Towards the efficacy of federated prediction for epidemics on networks
- Title（参考訳）: ネットワーク上での伝染病に対するフェデレーション予測の有効性について
- Authors: Chengpeng Fu, Tong Li, Hao Chen, Wen Du, Zhidong He,
- Abstract要約: 我々は、フェデレートラーニング(FL)に基づく疫病ネットワーク上のノードレベルの予測のための一般的なプライバシレベルフレームワークを開発する。
本研究は,疫病管理におけるFLシナリオの有効性に関する実践的な知見を提供する。
- 参考スコア（独自算出の注目度）: 5.719600613434056
- License:
- Abstract: Epidemic prediction is of practical significance in public health, enabling early intervention, resource allocation, and strategic planning. However, privacy concerns often hinder the sharing of health data among institutions, limiting the development of accurate prediction models. In this paper, we develop a general privacy-preserving framework for node-level epidemic prediction on networks based on federated learning (FL). We frame the spatio-temporal spread of epidemics across multiple data-isolated subnetworks, where each node state represents the aggregate epidemic severity within a community. Then, both the pure temporal LSTM model and the spatio-temporal model i.e., Spatio-Temporal Graph Attention Network (STGAT) are proposed to address the federated epidemic prediction. Extensive experiments are conducted on various epidemic processes using a practical airline network, offering a comprehensive assessment of FL efficacy under diverse scenarios. By introducing the efficacy energy metric to measure system robustness under various client configurations, we systematically explore key factors influencing FL performance, including client numbers, aggregation strategies, graph partitioning, missing infectious reports. Numerical results manifest that STGAT excels in capturing spatio-temporal dependencies in dynamic processes whereas LSTM performs well in simpler pattern. Moreover, our findings highlight the importance of balancing feature consistency and volume uniformity among clients, as well as the prediction dilemma between information richness and intrinsic stochasticity of dynamic processes. This study offers practical insights into the efficacy of FL scenario in epidemic management, demonstrates the potential of FL to address broader collective dynamics.
- Abstract（参考訳）: 疫学予測は公衆衛生において実践的な重要性があり、早期介入、資源配分、戦略的計画を可能にしている。
しかし、プライバシーに関する懸念は、しばしば機関間での健康データ共有を妨げ、正確な予測モデルの開発を制限する。
本稿では,フェデレートラーニング(FL)に基づくネットワーク上でのノードレベルの流行予測のための一般プライバシ保護フレームワークを開発する。
我々は,複数のデータアイソレーションサブネットワークにまたがる流行の時空間的広がりに着目し,各ノード状態はコミュニティ内での流行の深刻度を表す。
そして、この流行予測に対処するために、純粋な時空間LSTMモデルと時空間時空間モデル、すなわち時空間グラフ注意ネットワーク(STGAT)を提案する。
実用的航空会社ネットワークを用いた各種疫病対策実験を行い,様々なシナリオでFLの有効性を総合的に評価した。
各種クライアント構成下でシステムのロバスト性を測定するための有効エネルギー指標を導入することにより、クライアント数、集約戦略、グラフ分割、感染報告の欠如など、FLのパフォーマンスに影響を及ぼす重要な要因を体系的に検討する。
数値的な結果から,STGATは動的プロセスの時空間依存性を捉えるのに優れ,LSTMはより単純なパターンでうまく機能することがわかった。
さらに,クライアント間の特徴整合性とボリューム均一性のバランスの重要性,および動的プロセスの内在的確率性と情報豊かさの予測ジレンマを強調した。
本研究は、FLシナリオの流行管理における有効性に関する実践的な知見を提供し、より広範な集団動態に対処するためのFLの可能性を示す。
関連論文リスト
- Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - On the Impact of Data Heterogeneity in Federated Learning Environments with Application to Healthcare Networks [3.9058850780464884]
Federated Learning(FL)は、プライバシに敏感なアプリケーションが、情報を開示することなく、グローバルモデル構築のためにデータセットを活用することを可能にする。
これらの領域の1つは医療であり、サイロのグループは、精度と一般化を改善したグローバルな予測器を生成するために協力する。
本稿では,医学データの複雑さに着目し,FL環境における不均一性の数学的形式化と分類を包括的に調査する。
論文 参考訳（メタデータ） (2024-04-29T09:05:01Z) - 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) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - 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) - 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) - Statistical Analytics and Regional Representation Learning for COVID-19
Pandemic Understanding [4.731074162093199]
新型コロナウイルスの感染拡大が世界のほぼすべての国に深刻な影響を与えている。
本稿では、統一された情報ソースを提供するために、公開データセットの広範なコレクションを統合し、処理する。
本研究では,予測イベントモデリングのために,DoubleWindowLSTM-CPと呼ばれる特定のRNNベースの推論パイプラインを提案する。
論文 参考訳（メタデータ） (2020-08-08T03:35:16Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z) - TDEFSI: Theory Guided Deep Learning Based Epidemic Forecasting with
Synthetic Information [8.681583244827936]
TDEFSIは低分解能時系列データを用いて正確な高分解能予測を行う。
我々は、シーズン内とシーズン間の両方の低分解能観測を行うために、2分岐リカレントニューラルネットワークモデルを訓練する。
予測は観測データによって駆動されるが、特定の都市部の複雑な社会的、人口統計学的、地理的属性をキャプチャする。
論文 参考訳（メタデータ） (2020-01-28T20:51:49Z)
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。