論文の概要: TrendGNN: Towards Understanding of Epidemics, Beliefs, and Behaviors

• arxiv url: http://arxiv.org/abs/2512.00421v1
• Date: Sat, 29 Nov 2025 09:53:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.235296
• Title: TrendGNN: Towards Understanding of Epidemics, Beliefs, and Behaviors
• Title（参考訳）: TrendsGNN: エピデミクス、信念、行動の理解に向けて
• Authors: Mulin Tian, Ajitesh Srivastava,
• Abstract要約: エピデミックな結果は、人間の行動や信念と複雑な相互作用を持つ。 介入のメカニズムをよりよく理解し、影響を予測するためには、信念や行動に関連する信号を解釈可能な方法で予測する能力が必要である。 本稿では,まず傾向の類似性に基づいて相互関連信号のグラフを構築し,次にグラフニューラルネットワーク(GNN)を用いて予測を行うグラフベースの予測フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.74230427221556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Epidemic outcomes have a complex interplay with human behavior and beliefs. Most of the forecasting literature has focused on the task of predicting epidemic signals using simple mechanistic models or black-box models, such as deep transformers, that ingest all available signals without offering interpretability. However, to better understand the mechanisms and predict the impact of interventions, we need the ability to forecast signals associated with beliefs and behaviors in an interpretable manner. In this work, we propose a graph-based forecasting framework that first constructs a graph of interrelated signals based on trend similarity, and then applies graph neural networks (GNNs) for prediction. This approach enables interpretable analysis by revealing which signals are more predictable and which relationships contribute most to forecasting accuracy. We believe our method provides early steps towards a framework for interpretable modeling in domains with multiple potentially interdependent signals, with implications for building future simulation models that integrate behavior, beliefs, and observations.
• Abstract（参考訳）: エピデミックな結果は、人間の行動や信念と複雑な相互作用を持つ。 予測文献の多くは、単純な力学モデルやディープトランスフォーマーのようなブラックボックスモデルを用いて、解釈不可能なすべての利用可能な信号を取り込み、流行の信号を予測するタスクに焦点を当てている。 しかし, 介入のメカニズムをよりよく理解し, 介入の影響を予測するためには, 信念や行動に関連する信号を解釈可能な方法で予測する能力が必要である。 本研究では,まず傾向類似性に基づく相互関連信号のグラフを構築し,次にグラフニューラルネットワーク(GNN)を用いて予測を行うグラフベースの予測フレームワークを提案する。 このアプローチは、どの信号が予測可能か、どの関係が予測精度に最も寄与しているかを明らかにすることによって、解釈可能な解析を可能にする。 提案手法は,複数の潜在的な相互依存信号を持つ領域における解釈モデル構築のためのフレームワークを早期に提供し,行動,信念,観察を統合した将来のシミュレーションモデルの構築に寄与すると考えている。

関連論文リスト

• Beyond Curve Fitting: Neuro-Symbolic Agents for Context-Aware Epidemic Forecasting [6.67449278650973]
  そこで我々は,手,足,口の病気を予測するための2エージェント・フレームワークを提案する。 イベントインタプリタ」は、学校スケジュール、気象サマリー、レポートを含む信号を処理します。 ニューロシンボリックコアは、これを歴史的なケースカウントと組み合わせて、キャリブレーションされた確率予測を生成する。
  論文  参考訳（メタデータ） (2025-11-28T15:29:26Z)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Why Did This Model Forecast This Future? Closed-Form Temporal Saliency Towards Causal Explanations of Probabilistic Forecasts [20.442850522575213]
  我々は、人間の知覚に基づく情報理論の一般的な定義の上に構築する。 本稿では, 将来の予測分布の差分エントロピーの観点から, 観測窓の塩分濃度を表現することを提案する。 筆者らは,本フレームワークを用いて,発話方向予測のサンプルタスクにおいて,頭部ポーズ機能から有意な窓を復元する方法を実証的に実証した。
  論文  参考訳（メタデータ） (2022-06-01T18:00:04Z)
• GroupNet: Multiscale Hypergraph Neural Networks for Trajectory Prediction with Relational Reasoning [37.64048110462638]
  GroupNetは、ペアワイドとグループワイドの両方のインタラクションをキャプチャする、マルチスケールのハイパーグラフニューラルネットワークである。 CVAEに基づく予測システムと従来の最先端予測システムの両方にGroupNetを適用した。 CVAEに基づく予測システムであるGroupNetは,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-19T09:36:20Z)
• RAIN: Reinforced Hybrid Attention Inference Network for Motion Forecasting [34.54878390622877]
  本稿では,ハイブリットアテンション機構に基づく動的キー情報の選択とランク付けを行う汎用的な動き予測フレームワークを提案する。 このフレームワークは、マルチエージェント軌道予測と人間の動き予測タスクを処理するためにインスタンス化される。 我々は,異なる領域における合成シミュレーションと運動予測ベンチマークの両方について,その枠組みを検証した。
  論文  参考訳（メタデータ） (2021-08-03T06:30:30Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational Reasoning [41.42230144157259]
  本稿では,関係構造を明示的に認識し,潜在相互作用グラフによる予測を行う汎用軌道予測フレームワークを提案する。 将来の行動の不確実性を考慮すると、モデルはマルチモーダルな予測仮説を提供するように設計されている。 トレーニング効率を向上し、収束を加速するだけでなく、モデル性能も向上する2段トレーニングパイプラインを導入する。
  論文  参考訳（メタデータ） (2020-03-31T02:49:23Z)

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。