論文の概要: Epi$^2$-Net: Advancing Epidemic Dynamics Forecasting with Physics-Inspired Neural Networks

• arxiv url: http://arxiv.org/abs/2508.02049v1
• Date: Mon, 04 Aug 2025 04:32:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.174471
• Title: Epi$^2$-Net: Advancing Epidemic Dynamics Forecasting with Physics-Inspired Neural Networks
• Title（参考訳）: Epi$^2$-Net:物理に着想を得たニューラルネットワークによるエピデミックダイナミクス予測の改善
• Authors: Rui Sun, Chenghua Gong, Tianjun Gu, Yuhao Zheng, Jie Ding, Juyuan Zhang, Liming Pan, Linyuan Lü,
• Abstract要約: Epi$2$-Netは、物理にインスパイアされたニューラルネットワーク上に構築されたエピデミック予測フレームワークである。 Epi$2$-Netは、流行予測における最先端の手法より優れている。
• 参考スコア（独自算出の注目度）: 9.990138127942288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advancing epidemic dynamics forecasting is vital for targeted interventions and safeguarding public health. Current approaches mainly fall into two categories: mechanism-based and data-driven models. Mechanism-based models are constrained by predefined compartmental structures and oversimplified system assumptions, limiting their ability to model complex real-world dynamics, while data-driven models focus solely on intrinsic data dependencies without physical or epidemiological constraints, risking biased or misleading representations. Although recent studies have attempted to integrate epidemiological knowledge into neural architectures, most of them fail to reconcile explicit physical priors with neural representations. To overcome these obstacles, we introduce Epi$^2$-Net, a Epidemic Forecasting Framework built upon Physics-Inspired Neural Networks. Specifically, we propose reconceptualizing epidemic transmission from the physical transport perspective, introducing the concept of neural epidemic transport. Further, we present a physic-inspired deep learning framework, and integrate physical constraints with neural modules to model spatio-temporal patterns of epidemic dynamics. Experiments on real-world datasets have demonstrated that Epi$^2$-Net outperforms state-of-the-art methods in epidemic forecasting, providing a promising solution for future epidemic containment. The code is available at: https://anonymous.4open.science/r/Epi-2-Net-48CE.
• Abstract（参考訳）: 流行のダイナミックス予測の促進は、標的の介入と公衆衛生の保護に不可欠である。 現在のアプローチは主に、メカニズムベースのモデルとデータ駆動モデルという2つのカテゴリに分類されます。 メカニズムベースのモデルは、事前に定義された区画構造と過度に単純化されたシステム仮定によって制約され、複雑な現実世界のダイナミクスをモデル化する能力を制限する。 近年の研究では、疫学的な知識を神経アーキテクチャに統合しようと試みているが、その多くは、明示的な物理的前提と神経表現との整合に失敗した。 このような障害を克服するために,物理に着想を得たニューラルネットワーク上に構築されたエピデミック予測フレームワークであるEpi$2$-Netを紹介した。 具体的には, 物理的輸送の観点からの伝染病の再認識について提案し, 神経伝染病の輸送という概念を導入する。 さらに、物理に着想を得た深層学習フレームワークを提案し、神経モジュールと物理的制約を統合して、流行動態の時空間パターンをモデル化する。 実世界のデータセットの実験では、Epi$2$-Netは流行予測における最先端の手法よりも優れており、将来の流行の封じ込めに期待できる解決策となっている。 コードは以下の通りである。 https://anonymous.4open.science/r/Epi-2-Net-48CE。

関連論文リスト

• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Understanding Malware Propagation Dynamics through Scientific Machine Learning [1.393499936476792]
  Code Red wormのアウトブレイクデータを用いて、UDEアプローチは従来のベースラインとニューラルベースラインの両方と比較して、予測エラーを44%削減することを示した。 本稿では,学習したニューラルネットワークを明示的な数学的表現に変換するシンボリックリカバリ手法を提案する。 以上の結果から,ハイブリッド物理インフォームドモデルは純粋に解析的および純粋に神経学的アプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-09T04:49:23Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• 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)
• Approaching epidemiological dynamics of COVID-19 with physics-informed neural networks [23.95944607153291]
  SIRモデルに埋め込まれた物理インフォームドニューラルネットワーク(PINN)は、感染症の時間的進化のダイナミクスを理解するために考案された。 この手法はドイツで報告された新型コロナウイルス(COVID-19)のデータに適用され、ウイルスの拡散傾向を正確に把握し予測できることが示されている。
  論文  参考訳（メタデータ） (2023-02-17T10:36:58Z)
• 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)
• Bayesian Physics-Informed Neural Networks for real-world nonlinear dynamical systems [0.0]
  ニューラルネットワーク、物理情報モデリング、ベイズ推論を組み合わせることで、データ、物理、不確実性を統合します。 本研究は,ニューラルネットワーク,ベイジアン推論,および両者の組み合わせの固有の長所と短所を明らかにする。 我々は、基礎となる概念や傾向が、より複雑な疾患の状況に一般化されることを期待する。
  論文  参考訳（メタデータ） (2022-05-12T19:04:31Z)
• 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)
• 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)

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。