論文の概要: MAT-MPNN: A Mobility-Aware Transformer-MPNN Model for Dynamic Spatiotemporal Prediction of HIV Diagnoses in California, Florida, and New England

• arxiv url: http://arxiv.org/abs/2511.13797v1
• Date: Mon, 17 Nov 2025 07:10:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.732902
• Title: MAT-MPNN: A Mobility-Aware Transformer-MPNN Model for Dynamic Spatiotemporal Prediction of HIV Diagnoses in California, Florida, and New England
• Title（参考訳）: MAT-MPNN:カリフォルニア、フロリダ、ニューイングランドにおけるHIV診断の動的時空間予測のためのモビリティ対応トランスフォーマー-MPNNモデル
• Authors: Zhaoxuan Wang, Weichen Kang, Yutian Han, Lingyuan Zhao, Bo Li,
• Abstract要約: 郡レベルのHIV診断率を予測するための移動型トランスフォーマーパスニューラルネットワーク(MAT-MPNN)フレームワーク。 モデルでは、Transformerエンコーダによって抽出された時間的特徴と、モビリティグラフジェネレータを通じてキャプチャされた空間的関係を組み合わせる。 MAT-MPNNは平均角予測誤差(EMSP)をフロリダでは27.9%、カリフォルニアでは39.1%、ニューイングランドでは3.9%削減し、予測モデル選択基準(PMCC)をそれぞれ7.7%、3.5%、3.9%改善した。
• 参考スコア（独自算出の注目度）: 4.508197444397154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human Immunodeficiency Virus (HIV) has posed a major global health challenge for decades, and forecasting HIV diagnoses continues to be a critical area of research. However, capturing the complex spatial and temporal dependencies of HIV transmission remains challenging. Conventional Message Passing Neural Network (MPNN) models rely on a fixed binary adjacency matrix that only encodes geographic adjacency, which is unable to represent interactions between non-contiguous counties. Our study proposes a deep learning architecture Mobility-Aware Transformer-Message Passing Neural Network (MAT-MPNN) framework to predict county-level HIV diagnosis rates across California, Florida, and the New England region. The model combines temporal features extracted by a Transformer encoder with spatial relationships captured through a Mobility Graph Generator (MGG). The MGG improves conventional adjacency matrices by combining geographic and demographic information. Compared with the best-performing hybrid baseline, the Transformer MPNN model, MAT-MPNN reduced the Mean Squared Prediction Error (MSPE) by 27.9% in Florida, 39.1% in California, and 12.5% in New England, and improved the Predictive Model Choice Criterion (PMCC) by 7.7%, 3.5%, and 3.9%, respectively. MAT-MPNN also achieved better results than the Spatially Varying Auto-Regressive (SVAR) model in Florida and New England, with comparable performance in California. These results demonstrate that applying mobility-aware dynamic spatial structures substantially enhances predictive accuracy and calibration in spatiotemporal epidemiological prediction.
• Abstract（参考訳）: ヒト免疫不全ウイルス(HIV)は、何十年にもわたって世界的な健康問題を引き起こしており、HIV診断の予測は研究の重要な領域であり続けている。 しかし、HIV感染の複雑な空間的および時間的依存関係を捉えることは依然として困難である。 従来のメッセージパッシングニューラルネットワーク(MPNN)モデルは、地理的隣接性のみを符号化する固定バイナリ隣接行列に依存しており、非連続郡間の相互作用を表現できない。 本研究は,カリフォルニア州,フロリダ州,ニューイングランド地域での郡レベルのHIV診断率を予測するために,深層学習アーキテクチャであるMAT-MPNNフレームワークを提案する。 このモデルは、トランスフォーマーエンコーダによって抽出された時間的特徴と、モビリティグラフジェネレータ(MGG)を介してキャプチャされた空間的関係を組み合わせる。 MGGは地理情報と人口統計情報を組み合わせて従来の隣接行列を改善する。 トランスフォーマーMPNNモデルと比較すると、フロリダ州では平均平方予測誤差(MSPE)が27.9%、カリフォルニア州では39.1%、ニューイングランドでは12.5%減少し、予測モデル選択基準(PMCC)はそれぞれ7.7%、3.5%、3.9%改善した。 MAT-MPNNはまた、フロリダとニューイングランドのSpatially Varying Auto-Regressive(SVAR)モデルよりも良い結果を得た。 以上の結果から,移動性を考慮した動的空間構造の適用は時空間疫学予測における予測精度とキャリブレーションを大幅に向上させることが示された。

関連論文リスト

• Leveraging graph neural networks and mobility data for COVID-19 forecasting [37.9506001142702]
  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。
  論文  参考訳（メタデータ） (2025-01-20T19:52:31Z)
• Physics-informed deep learning for infectious disease forecasting [3.3618265137908527]
  物理インフォームドニューラルネットワーク(PINN)に基づく新しい感染症予測モデルを提案する。 カリフォルニア州の国家レベルのCOVID-19データを用いて、PINNモデルがケース、死亡、入院を正確に予測していることを実証する。
  論文  参考訳（メタデータ） (2025-01-16T05:07:05Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Multiwave COVID-19 Prediction via Social Awareness-Based Graph Neural Networks using Mobility and Web Search Data [0.0]
  移動データを用いた第1発生波を予測する既存の予測モデルは、マルチウェーブ予測には適用できない可能性がある。 本稿では,症状関連Web検索周波数の減衰を考慮したソーシャルアウェアネスに基づくグラフニューラルネットワーク(SAB-GNN)を提案する。 我々は,2020年4月から2021年5月までのモビリティとWeb検索データを用いて,東京地域での今後のパンデミックの発生を予測するためのモデルを訓練した。
  論文  参考訳（メタデータ） (2021-10-22T04:24:50Z)
• Modeling the geospatial evolution of COVID-19 using spatio-temporal convolutional sequence-to-sequence neural networks [48.7576911714538]
  ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。 その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
  論文  参考訳（メタデータ） (2021-05-06T15:24:00Z)
• Digital twins based on bidirectional LSTM and GAN for modelling COVID-19 [8.406968279478347]
  新型コロナウイルスの感染が世界中に広がり、1億人以上が感染し、220万人以上が死亡した。 疫学モデルの研究は、このような病気がどのように広まるかをよりよく理解するために、緊急に必要である。 機械学習技術の最近の進歩は、計算コストの削減で複雑なダイナミクスを学習し、予測する能力を持つニューラルネットワークを生み出している。
  論文  参考訳（メタデータ） (2021-02-03T11:54:24Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。