論文の概要: Leveraging graph neural networks and mobility data for COVID-19 forecasting

• arxiv url: http://arxiv.org/abs/2501.11711v1
• Date: Mon, 20 Jan 2025 19:52:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:20:14.941434
• Title: Leveraging graph neural networks and mobility data for COVID-19 forecasting
• Title（参考訳）: 新型コロナウイルスの予測のためのグラフニューラルネットワークとモビリティデータを活用する
• Authors: Fernando H. O. Duarte, Gladston J. P. Moreira, Eduardo J. S. Luz, Leonardo B. L. Santos, Vander L. S. Freitas,
• Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックはこれまでに700万人以上の犠牲者を出した。 移動データと機械学習を組み合わせた時空間モデルが病気予測に注目を集めている。 ここでは、GCRN(Graph Convolutional Recurrent Network)とGTM(Graph Convolutional Long ShortTerm Memory)について検討する。 目標は、人間の移動ネットワークを活用して、ブラジルと中国の新型コロナウイルス感染者の将来の価値を予測することである。
• 参考スコア（独自算出の注目度）: 37.9506001142702
• License:
• Abstract: The COVID-19 pandemic has victimized over 7 million people to date, prompting diverse research efforts. Spatio-temporal models combining mobility data with machine learning have gained attention for disease forecasting. Here, we explore Graph Convolutional Recurrent Network (GCRN) and Graph Convolutional Long Short-Term Memory (GCLSTM), which combine the power of Graph Neural Networks (GNN) with traditional architectures that deal with sequential data. The aim is to forecast future values of COVID-19 cases in Brazil and China by leveraging human mobility networks, whose nodes represent geographical locations and links are flows of vehicles or people. We show that employing backbone extraction to filter out negligible connections in the mobility network enhances predictive stability. Comparing regression and classification tasks demonstrates that binary classification yields smoother, more interpretable results. Interestingly, we observe qualitatively equivalent results for both Brazil and China datasets by introducing sliding windows of variable size and prediction horizons. Compared to prior studies, introducing the sliding window and the network backbone extraction strategies yields improvements of about 80% in root mean squared errors.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックはこれまでに700万人以上の犠牲者を出した。 移動データと機械学習を組み合わせた時空間モデルが病気予測に注目を集めている。 本稿では,グラフ畳み込みリカレントネットワーク(GCRN)とグラフ畳み込み長短期メモリ(GCLSTM)について考察する。 目的は、地理的な位置を表現し、リンクが車や人の流れである人間の移動ネットワークを活用することで、ブラジルと中国の新型コロナウイルス(COVID-19)の将来の価値を予測することである。 移動ネットワークにおける無視可能な接続をフィルタリングするためにバックボーン抽出を用いると、予測安定性が向上することを示す。 回帰と分類のタスクを比較することは、二項分類がより滑らかで解釈可能な結果をもたらすことを示す。 興味深いことに、ブラジルと中国両方のデータセットに対して、変動の大きさのスライドウィンドウと予測水平線を導入することにより、定性的に等価な結果が観察される。 従来の研究と比較すると,スライディングウィンドウの導入とネットワークバックボーン抽出は根平均二乗誤差の約80%の改善をもたらす。

関連論文リスト

• Graph Neural Networks Provably Benefit from Structural Information: A Feature Learning Perspective [53.999128831324576]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習の先駆けとなった。 本研究では,特徴学習理論の文脈におけるグラフ畳み込みの役割について検討する。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• Revisiting Random Forests in a Comparative Evaluation of Graph Convolutional Neural Network Variants for Traffic Prediction [15.248412426672694]
  グラフ畳み込みニューラルネットワーク(GCNN)が交通予測の文献において主流となっている。 本稿では,GCNN予測モデルの成功要素を分類し,その性能に及ぼす因子化,注意機構,体重共有の影響を解析する。
  論文  参考訳（メタデータ） (2023-05-30T00:50:51Z)
• Predicting COVID-19 pandemic by spatio-temporal graph neural networks: A New Zealand's study [16.3773496061049]
  我々は,ATMGNN(Attention-based Multi resolution Graph Neural Networks)という新しいディープラーニングアーキテクチャを提案する。 本手法は,空間グラフのマルチスケール構造を学習からクラスタ化アルゴリズムにより,データ駆動方式でキャプチャすることができる。 今後は、リアルタイムの予測とグローバルスケールに向けた作業の拡充を予定しています。
  論文  参考訳（メタデータ） (2023-05-12T19:00:17Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Residual Graph Convolutional Recurrent Networks For Multi-step Traffic Flow Forecasting [12.223433627287605]
  我々は、Residual Graph Convolutional Recurrent Network(RGCRN)という新しい時空間予測モデルを提案する。 このモデルでは,提案したResidual Graph Convolutional Network (ResGCN) を用いて,道路網の微細な空間相関を捉える。 2つの実際のデータセットの比較実験の結果、RCCRNは最高のベースラインモデルと比較して平均20.66%改善していることがわかった。
  論文  参考訳（メタデータ） (2022-05-03T13:23:38Z)
• LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
  格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
  論文  参考訳（メタデータ） (2022-03-24T03:31:18Z)
• PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting [4.14360329494344]
  我々は、プログレッシブグラフ畳み込みネットワーク(PGCN)と呼ばれる新しいトラフィック予測フレームワークを提案する。 PGCNは、トレーニングおよびテストフェーズ中にオンライン入力データに段階的に適応することで、グラフのセットを構築する。 提案したモデルでは,すべてのデータセットの一貫性を保ちながら,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-02-18T02:15:44Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural Networks [8.949096210063662]
  本研究では,グラフニューラルネットワークと移動データを用いた新型コロナウイルスのケース予測の新しい予測手法について検討する。 我々は、このアプローチを米国の郡レベルのCOVID-19データセットで評価し、グラフニューラルネットワークが活用する豊かな空間的・時間的情報により、複雑なダイナミクスを学習できることを実証した。
  論文  参考訳（メタデータ） (2020-07-06T23:11:38Z)

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。