論文の概要: Learn to Vaccinate: Combining Structure Learning and Effective Vaccination for Epidemic and Outbreak Control

• arxiv url: http://arxiv.org/abs/2506.15397v1
• Date: Wed, 18 Jun 2025 12:15:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.655716
• Title: Learn to Vaccinate: Combining Structure Learning and Effective Vaccination for Epidemic and Outbreak Control
• Title（参考訳）: 予防接種を学ぶ: 構造学習と予防接種を併用した疫学・アウトブレイクコントロール
• Authors: Sepehr Elahi, Paula Mürmann, Patrick Thiran,
• Abstract要約: 病原体が拡散するグラフが未知のSISモデルによりモデル化されたアウトブレイクの消滅時間を最小化する問題を考える。 本稿では,新たな包摂的包摂的学習アルゴリズムを提案し,従来の手法とは異なり,グラフ回復のためのサンプル複雑性を確立する。
• 参考スコア（独自算出の注目度）: 4.893896929103367
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Susceptible-Infected-Susceptible (SIS) model is a widely used model for the spread of information and infectious diseases, particularly non-immunizing ones, on a graph. Given a highly contagious disease, a natural question is how to best vaccinate individuals to minimize the disease's extinction time. While previous works showed that the problem of optimal vaccination is closely linked to the NP-hard Spectral Radius Minimization (SRM) problem, they assumed that the graph is known, which is often not the case in practice. In this work, we consider the problem of minimizing the extinction time of an outbreak modeled by an SIS model where the graph on which the disease spreads is unknown and only the infection states of the vertices are observed. To this end, we split the problem into two: learning the graph and determining effective vaccination strategies. We propose a novel inclusion-exclusion-based learning algorithm and, unlike previous approaches, establish its sample complexity for graph recovery. We then detail an optimal algorithm for the SRM problem and prove that its running time is polynomial in the number of vertices for graphs with bounded treewidth. This is complemented by an efficient and effective polynomial-time greedy heuristic for any graph. Finally, we present experiments on synthetic and real-world data that numerically validate our learning and vaccination algorithms.
• Abstract（参考訳）: Susceptible-Infected-Susceptible (SIS) モデルは、情報や感染症、特に非免疫性疾患をグラフ上に拡散するための広く使われているモデルである。 非常に伝染性の疾患が与えられたとき、自然の疑問は、この病気の絶滅時間を最小化するために、どのように個人を予防接種するかである。 以前の研究では、最適ワクチン接種問題はNP-hard Spectral Radius Minimization (SRM) 問題と密接に関連していることが示されていたが、彼らはグラフが知られていると仮定し、実際はそうではないことが多い。 本研究では,病原体が拡散するグラフが不明であり,頂点の感染状態のみが観察されるSISモデルによりモデル化されたアウトブレイクの消滅時間を最小化する問題について考察する。 この目的のために、我々は問題をグラフの学習と効果的なワクチン接種戦略の2つに分けた。 本稿では,新たな包摂的包摂的学習アルゴリズムを提案し,従来の手法とは異なり,グラフ回復のためのサンプル複雑性を確立する。 次に、SRM問題に対する最適アルゴリズムを詳述し、その実行時間が有界木幅グラフの頂点数における多項式であることを証明した。 これは任意のグラフに対して効率的で効果的な多項式時間グリーディヒューリスティックによって補完される。 最後に,我々の学習および接種アルゴリズムを数値的に検証する合成および実世界のデータについて実験を行った。

関連論文リスト

• UMMAN: Unsupervised Multi-graph Merge Adversarial Network for Disease Prediction Based on Intestinal Flora [0.18641315013048299]
  我々は、新しいアーキテクチャ、unsupervised Multi-graph Adversarial Network (UMMAN)を提案する。 UMMANは、教師なしのシナリオでマルチグラフのノードの埋め込みを得ることができ、多重化関連を学習するのに役立ちます。 本稿では,ノード間の関係を乱し,対応するShuffled-Graphを生成するために,複雑な関係型を用いる。
  論文  参考訳（メタデータ） (2024-07-31T16:06:43Z)
• Adaptive Online Experimental Design for Causal Discovery [9.447864414136905]
  因果発見は因果グラフに符号化された因果関係を明らかにすることを目的としている。 オンライン学習の観点から,データの介入効率に着目し,因果発見を形式化する。 グラフ分離システムから介入を適応的に選択するトラック・アンド・ストップ因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-19T13:26:33Z)
• GraphCloak: Safeguarding Task-specific Knowledge within Graph-structured Data from Unauthorized Exploitation [61.80017550099027]
  グラフニューラルネットワーク(GNN)は、さまざまな分野でますます普及している。 個人データの不正利用に関する懸念が高まっている。 近年の研究では、このような誤用から画像データを保護する効果的な方法として、知覚不能な毒殺攻撃が報告されている。 本稿では,グラフデータの不正使用に対する保護のためにGraphCloakを導入する。
  論文  参考訳（メタデータ） (2023-10-11T00:50:55Z)
• Graph Adversarial Immunization for Certifiable Robustness [63.58739705845775]
  グラフニューラルネットワーク(GNN)は敵の攻撃に対して脆弱である。 既存の防衛は、敵の訓練やモデル修正の開発に重点を置いている。 本稿では,グラフ構造の一部を接種するグラフ対人免疫法を提案し,定式化する。
  論文  参考訳（メタデータ） (2023-02-16T03:18:43Z)
• Covid-19 Detection from Chest X-ray and Patient Metadata using Graph Convolutional Neural Networks [6.420262246029286]
  本稿では,Covid-19肺炎のバイオマーカーを同定可能な新しいグラフ畳み込みニューラルネットワーク(GCN)を提案する。 提案手法は,データインスタンスとその特徴間の重要な関係知識をグラフ表現を用いて利用し,グラフデータ学習に畳み込みを適用する。
  論文  参考訳（メタデータ） (2021-05-20T13:13:29Z)
• GKD: Semi-supervised Graph Knowledge Distillation for Graph-Independent Inference [41.348451615460796]
  本稿では,知識蒸留に基づく新しい半教師付き手法GKDを提案する。 自閉症スペクトラム障害の診断のための2つの公開データセットとアルツハイマー病に関する実験を行う。 これらの実験によると、GKDは従来のグラフベースのディープラーニング手法よりも精度、AUC、マクロF1で優れている。
  論文  参考訳（メタデータ） (2021-04-08T08:23:37Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Finding Patient Zero: Learning Contagion Source with Graph Neural Networks [67.3415507211942]
  感染源の特定は、感染の感染経路に関する重要な洞察を与えることができる。 既存の方法はグラフ理論測度と高価なメッセージパッシングアルゴリズムを用いる。 グラフニューラルネットワーク(GNN)を用いてP0を学習し,この問題を再考する。
  論文  参考訳（メタデータ） (2020-06-21T21:12:44Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。