論文の概要: Unifying Physics- and Data-Driven Modeling via Novel Causal Spatiotemporal Graph Neural Network for Interpretable Epidemic Forecasting

• arxiv url: http://arxiv.org/abs/2504.05140v1
• Date: Mon, 07 Apr 2025 14:46:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:13:36.520792
• Title: Unifying Physics- and Data-Driven Modeling via Novel Causal Spatiotemporal Graph Neural Network for Interpretable Epidemic Forecasting
• Title（参考訳）: 解釈可能なエピデミック予測のための新しい因果時空間グラフニューラルネットワークによる物理・データ駆動モデリング
• Authors: Shuai Han, Lukas Stelz, Thomas R. Sokolowski, Kai Zhou, Horst Stöcker,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.791960848500047
• License:
• Abstract: Accurate epidemic forecasting is crucial for effective disease control and prevention. Traditional compartmental models often struggle to estimate temporally and spatially varying epidemiological parameters, while deep learning models typically overlook disease transmission dynamics and lack interpretability in the epidemiological context. To address these limitations, we propose a novel Causal Spatiotemporal Graph Neural Network (CSTGNN), a hybrid framework that integrates a Spatio-Contact SIR model with Graph Neural Networks (GNNs) to capture the spatiotemporal propagation of epidemics. Inter-regional human mobility exhibits continuous and smooth spatiotemporal patterns, leading to adjacent graph structures that share underlying mobility dynamics. To model these dynamics, we employ an adaptive static connectivity graph to represent the stable components of human mobility and utilize a temporal dynamics model to capture fluctuations within these patterns. By integrating the adaptive static connectivity graph with the temporal dynamics graph, we construct a dynamic graph that encapsulates the comprehensive properties of human mobility networks. Additionally, to capture temporal trends and variations in infectious disease spread, we introduce a temporal decomposition model to handle temporal dependence. This model is then integrated with a dynamic graph convolutional network for epidemic forecasting. We validate our model using real-world datasets at the provincial level in China and the state level in Germany. Extensive studies demonstrate that our method effectively models the spatiotemporal dynamics of infectious diseases, providing a valuable tool for forecasting and intervention strategies. Furthermore, analysis of the learned parameters offers insights into disease transmission mechanisms, enhancing the interpretability and practical applicability of our model.
• Abstract（参考訳）: 正確な流行予測は、効果的な疾病対策と予防に不可欠である。 伝統的な区画モデルは、時間的および空間的に変化する疫学的パラメータを推定するのに苦労するが、深層学習モデルは典型的には疾患伝達のダイナミクスを見落とし、疫学的文脈では解釈可能性に欠ける。 これらの制約に対処するために,新たにCSTGNN(Causal Spatiotemporal Graph Neural Network)を提案する。これは,SIRモデルをグラフニューラルネットワーク(GNN)と統合し,流行の時空間伝播を捉えるハイブリッドフレームワークである。 地域間人間の移動は、連続的かつ滑らかな時空間パターンを示し、その基盤となる移動力学を共有するグラフ構造に繋がる。 これらのダイナミクスをモデル化するために、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コンポーネントを表現し、時間的ダイナミクスモデルを用いてパターン内の変動を捉える。 適応的な静的接続グラフを時間動的グラフに統合することにより、人間の移動ネットワークの包括的特性をカプセル化する動的グラフを構築する。 また,感染拡大の時間的傾向と変動を捉えるため,時間的依存を扱うための時間的分解モデルを導入する。 このモデルは、流行予測のための動的グラフ畳み込みネットワークと統合される。 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。 本手法は,感染症の時空間動態を効果的にモデル化し,予測・介入戦略に有用なツールであることを示す。 さらに、学習パラメータの解析により、疾患の伝達機構の洞察が得られ、モデルの解釈可能性と実用性を高めることができる。

関連論文リスト

• Epidemic-guided deep learning for spatiotemporal forecasting of Tuberculosis outbreak [0.0]
  結核 (TB) は、複雑な伝達ダイナミクスによって引き起こされ、人口移動や行動の変化などの要因の影響を受けながら、世界的健康上の課題である。 先進的な深層学習技術と機械的疫学の原則を融合させるエピデミックガイド型深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-02-15T12:39:42Z)
• Towards Graph Neural Network Surrogates Leveraging Mechanistic Expert Knowledge for Pandemic Response [41.94295877935867]
  我々は、空間的かつ人口統計学的に解決された伝染病モデルを構築し、パンデミックの初期段階を表すデータセットのためのグラフニューラルネットワークを訓練する。 提案手法は、オンザフライ実行の可能性をもたらし、低バリアWebアプリケーションにおける病気のダイナミクスモデルの統合をもたらす。
  論文  参考訳（メタデータ） (2024-11-10T15:54:09Z)
• 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)
• 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)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Temporal Domain Generalization with Drift-Aware Dynamic Neural Network [12.483886657900525]
  ドリフト対応動的ニューラルネットワーク(DRAIN)フレームワークを用いた時間領域一般化を提案する。 具体的には、この問題を、データとモデル力学の関係を共同でモデル化するベイズ的枠組みに定式化する。 モデルパラメータとデータ分布の時間的ドリフトをキャプチャし、将来のデータなしで将来モデルを予測することができる。
  論文  参考訳（メタデータ） (2022-05-21T20:01:31Z)
• 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)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• 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)
• 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)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。