論文の概要: Identifying Asymptomatic Nodes in Network Epidemics using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2510.02568v1
• Date: Thu, 02 Oct 2025 21:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.179557
• Title: Identifying Asymptomatic Nodes in Network Epidemics using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いたネットワークエピデミクスにおける漸近ノードの同定
• Authors: Conrado Catarcione Pinto, Amanda Camacho Novaes de Oliveira, Rodrigo Sapienza Luna, Daniel Ratton Figueiredo,
• Abstract要約: 本研究は,古典的なSI(Susceptible-Infected)ネットワーク流行モデルを考慮した無症状者を特定する問題に取り組む。 教師付き学習を伴うグラフニューラルネットワーク(GNN)モデルは、感染したノードが観測されたネットワークから一連のノード機能を構築する際に採用される。 その結果,提案手法は様々なシナリオにおいて堅牢であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Infected individuals in some epidemics can remain asymptomatic while still carrying and transmitting the infection. These individuals contribute to the spread of the epidemic and pose a significant challenge to public health policies. Identifying asymptomatic individuals is critical for measuring and controlling an epidemic, but periodic and widespread testing of healthy individuals is often too costly. This work tackles the problem of identifying asymptomatic individuals considering a classic SI (Susceptible-Infected) network epidemic model where a fraction of the infected nodes are not observed as infected (i.e., their observed state is identical to susceptible nodes). In order to classify healthy nodes as asymptomatic or susceptible, a Graph Neural Network (GNN) model with supervised learning is adopted where a set of node features are built from the network with observed infected nodes. The approach is evaluated across different network models, network sizes, and fraction of observed infections. Results indicate that the proposed methodology is robust across different scenarios, accurately identifying asymptomatic nodes while also generalizing to different network sizes and fraction of observed infections.
• Abstract（参考訳）: 感染した患者は、感染を運んだり伝達したりしながら、無症状のままでいられることがある。 これらの個人は疫病の流行に寄与し、公衆衛生政策に重大な課題をもたらす。 無症候性個体の同定は、流行を計測し、制御するために重要であるが、健康な個体の定期的かつ広範囲な検査は、しばしばコストがかかりすぎる。 この研究は、感染したノードのごく一部が感染していない古典的なSI(Susceptible-Infected)ネットワーク流行モデル(すなわち、その状態が感受性のあるノードと同一である)を考慮に入れた無症状者を特定する問題に取り組む。 健康なノードを非症状または感受性として分類するために、教師付き学習を伴うグラフニューラルネットワーク(GNN)モデルを、感染したノードが観測されたネットワークから構築される際に採用する。 アプローチは、異なるネットワークモデル、ネットワークサイズ、観察された感染のごく一部で評価される。 その結果,提案手法はさまざまなシナリオにおいて堅牢であり,無症状ノードを正確に同定し,ネットワークサイズや感染率の差を一般化していることがわかった。

関連論文リスト

• Learning hidden cascades via classification [49.40566691717171]
  感染の症状などの中間的な指標は観察可能である。 拡散モデルの特徴を学習するための部分的可観測性を考慮した機械学習フレームワークを提案する。 本手法を合成ネットワーク上で検証し,実世界のインサイダー取引ネットワークに拡張する。
  論文  参考訳（メタデータ） (2025-05-16T13:23:52Z)
• Epidemiology-informed Graph Neural Network for Heterogeneity-aware Epidemic Forecasting [46.63739322178277]
  最近の研究では、異種時相の流行パターンを抽出する際の時空間ニューラルネットワーク(STGNN)の強い可能性を示している。 HeatGNNは、疫学的にインフォームドされた場所を、時間とともに自分自身の伝達メカニズムを反映するさまざまな場所に埋め込むことを学ぶ。 HeatGNNは、HeatHeatのさまざまな強力なベースラインを異なるサイズで上回る。
  論文  参考訳（メタデータ） (2024-11-26T12:29:45Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• Network-based Control of Epidemic via Flattening the Infection Curve: High-Clustered vs. Low-Clustered Social Networks [5.768625063623631]
  クラスタネットワークは一般的に、感染曲線をフラットにするのが簡単である。 距離に基づく集中度対策は、隔離/ワクチン接種のために個人を標的にするためのより良い選択である。
  論文  参考訳（メタデータ） (2023-03-16T09:37:21Z)
• Epidemic inference through generative neural networks [0.0]
  我々は、観測と互換性のある最も可能性の高い感染カスケードをサンプリングできる新しい生成ニューラルネットワークフレームワークを提案する。 このフレームワークは、感染の拡散を管理するパラメータを推測することができる。
  論文  参考訳（メタデータ） (2021-11-05T10:40:10Z)
• Estimating the State of Epidemics Spreading with Graph Neural Networks [41.93923100501976]
  アルゴリズム解は、限られた量の措置から人口全体の状態を推測するために使うことができる。 この課題を解決するために,深層ニューラルネットワークの能力を分析する。
  論文  参考訳（メタデータ） (2021-05-10T13:54:13Z)
• 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)
• Quantifying the Effects of Contact Tracing, Testing, and Containment Measures in the Presence of Infection Hotspots [18.227721607607183]
  複数の証拠は、一人が他の多くの人に感染するホットスポットが、新型コロナウイルスの感染動態において重要な役割を担っていることを強く示唆している。 個人が接触し、互いに感染するサイトへの訪問を具体的に表現する、時間的ポイントプロセスモデリングフレームワークを導入する。 我々のモデルでは、自然に感染した個体によって引き起こされる感染の数が過度に分散する。
  論文  参考訳（メタデータ） (2020-04-15T17:18:32Z)

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。