論文の概要: Machine Learning Epidemic Predictions Using Agent-based Wireless Sensor Network Models

• arxiv url: http://arxiv.org/abs/2511.15982v1
• Date: Thu, 20 Nov 2025 02:28:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.429991
• Title: Machine Learning Epidemic Predictions Using Agent-based Wireless Sensor Network Models
• Title（参考訳）: エージェントベース無線センサネットワークモデルを用いた機械学習のエピデミック予測
• Authors: Chukwunonso Henry Nwokoye, Blessing Oluchi, Sharna Waldron, Peace Ezzeh,
• Abstract要約: 無線センサネットワーク(WSN)における疫学データの欠如は、ウイルスやワームなどの脅威を予測・緩和する堅牢なモデルを構築する上で、根本的な困難である。 本研究では, 機械学習(ML)予測において, サセプティブル・エクスポージブル・リカバード・ワクチン(SEIRV)数学的モデルのエージェントベース実装を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The lack of epidemiological data in wireless sensor networks (WSNs) is a fundamental difficulty in constructing robust models to forecast and mitigate threats such as viruses and worms. Many studies have examined different epidemic models for WSNs, focusing on how malware infections spread given the network's specific properties, including energy limits and node mobility. In this study, an agent-based implementation of the susceptible-exposed-infected-recovered-vaccinated (SEIRV) mathematical model was employed for machine learning (ML) predictions. Using tools such as NetLogo's BehaviorSpace and Python, two epidemic synthetic datasets were generated and prepared for the application of several ML algorithms. Posed as a regression problem, the infected and recovered nodes were predicted, and the performance of these algorithms is compared using the error metrics of the train and test sets. The predictions performed well, with low error metrics and high R^2 values (0.997, 1.000, 0.999, 1.000), indicating an effective fit to the training set. The validation values were lower (0.992, 0.998, 0.971, and 0.999), as is typical when evaluating model performance on unseen data. Based on the recorded performances, support vector, linear, Lasso, Ridge, and ElasticNet regression were among the worst-performing algorithms, while Random Forest, XGBoost, Decision Trees, and k-nearest neighbors achieved the best results.
• Abstract（参考訳）: 無線センサネットワーク(WSN)における疫学データの欠如は、ウイルスやワームなどの脅威を予測・緩和する堅牢なモデルを構築する上で、根本的な困難である。 多くの研究がWSNのさまざまな流行モデルを調べ、ネットワークのエネルギー制限やノードの移動性など、特定の特性からマルウェア感染がどのように広がるかに焦点を当てている。 本研究では, 機械学習(ML)予測において, サセプティブル感染予防接種モデル(SEIRV)をエージェントベースで実装した。 NetLogoのBehaviorSpaceやPythonといったツールを使用して、2つの流行合成データセットを生成し、いくつかのMLアルゴリズムの適用に備えた。 回帰問題として、感染したノードと回復したノードを予測し、これらのアルゴリズムの性能を列車とテストセットのエラーメトリクスを用いて比較した。 予測は、低いエラーメトリクスと高いR^2値(0.997, 1.000, 0.999, 1.000)で良好に実行され、トレーニングセットに効果的に適合したことを示す。 検証値は, 未確認データ上でのモデル性能評価において典型的に低い値 (0.992, 0.998, 0.971, 0.999) であった。 記録されたパフォーマンスに基づいて、サポートベクター、リニア、ラッソ、リッジ、ElasticNetレグレッションが最悪のパフォーマンスのアルゴリズムであり、Random Forest、XGBoost、Decision Trees、k-nearest neighborsが最高の結果を得た。

関連論文リスト

• 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)
• Quantifying the Prediction Uncertainty of Machine Learning Models for Individual Data [2.1248439796866228]
  本研究では,線形回帰とニューラルネットワークに対するpNMLの学習可能性について検討する。 pNMLは様々なタスクにおけるこれらのモデルの性能と堅牢性を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-12-10T13:58:19Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• On the Robustness of Random Forest Against Untargeted Data Poisoning: An Ensemble-Based Approach [42.81632484264218]
  機械学習モデルでは、トレーニングセット(中毒)の分画の摂動が、モデルの精度を著しく損なう可能性がある。 本研究の目的は、ランダムな森林を標的のない無作為な毒殺攻撃から保護する、新しいハッシュベースのアンサンブルアプローチを実現することである。
  論文  参考訳（メタデータ） (2022-09-28T11:41:38Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Statistical model-based evaluation of neural networks [74.10854783437351]
  ニューラルネットワーク(NN)の評価のための実験装置を開発する。 このセットアップは、NNs vis-a-vis minimum-mean-square-error (MMSE)パフォーマンス境界のベンチマークに役立つ。 これにより、トレーニングデータサイズ、データ次元、データ幾何学、ノイズ、トレーニング条件とテスト条件のミスマッチの影響をテストできます。
  論文  参考訳（メタデータ） (2020-11-18T00:33:24Z)

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。