論文の概要: Learning graph topology from metapopulation epidemic encoder-decoder
- arxiv url: http://arxiv.org/abs/2603.02349v1
- Date: Mon, 02 Mar 2026 19:46:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-04 21:38:10.525512
- Title: Learning graph topology from metapopulation epidemic encoder-decoder
- Title（参考訳）: メタポピュレーション流行エンコーダ・デコーダからのグラフトポロジーの学習
- Authors: Xin Li, Jonathan Cohen, Shai Pilosof, Rami Puzis,
- Abstract要約: 時系列データからメタポピュレーションモビリティグラフを推定する2つのエンコーダ・デコーダ深層学習アーキテクチャを提案する。
提案手法は最先端のトポロジ推論よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 8.101063829243353
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Metapopulation epidemic models are a valuable tool for studying large-scale outbreaks. With the limited availability of epidemic tracing data, it is challenging to infer the essential constituents of these models, namely, the epidemic parameters and the relevant mobility network between subpopulations. Either one of these constituents can be estimated while assuming the other; however, the problem of their joint inference has not yet been solved. Here, we propose two encoder-decoder deep learning architectures that infer metapopulation mobility graphs from time-series data, with and without the assumption of epidemic model parameters. Evaluation across diverse random and empirical mobility networks shows that the proposed approach outperforms the state-of-the-art topology inference. Further, we show that topology inference improves dramatically with data on additional pathogens. Our study establishes a robust framework for simultaneously inferring epidemic parameters and topology, addressing a persistent gap in modeling disease propagation.
- Abstract（参考訳）: メタポピュレーション流行モデルは、大規模な流行を研究する上で貴重なツールである。
流行追跡データの可用性が限られているため、これらのモデルの本質的構成要素、すなわち、流行パラメータとサブポピュレーション間の関連する移動ネットワークを推測することは困難である。
いずれの成分も他方を仮定しながら推定できるが、それらの合同推論の問題はまだ解決されていない。
本稿では,時系列データからメタポピュレーションモビリティグラフを推定する2つのエンコーダ・デコーダ深層学習アーキテクチャを提案する。
多様なランダムおよび経験的モビリティネットワークにおける評価は、提案手法が最先端のトポロジ推論より優れていることを示している。
さらに,新たな病原体に関するデータによってトポロジ推論が劇的に改善されることが示唆された。
本研究は, 流行パラメータとトポロジを同時に推定するための頑健な枠組みを確立し, 疾患伝播のモデル化における持続的ギャップに対処する。
関連論文リスト
- Hierarchical Variable Importance with Statistical Control for Medical Data-Based Prediction [35.94354098982828]
モデルに依存しない変数重要度尺度である階層CPIを導入する。
階層木に沿った部分群を探索することで、計算的に抽出可能でありながら、家族的な誤り率の明確な制御も楽しめる。
その効果は2つのニューロイメージングデータセットで示される。
論文 参考訳（メタデータ） (2025-08-12T08:10:54Z) - Enhancing Epidemic Forecasting: Evaluating the Role of Mobility Data and Graph Convolutional Networks [9.460023981858319]
本研究は,機械学習アルゴリズムと疫学応用とのギャップに対処する。
まず、パイロットスタディを通じてモビリティデータの重要性を評価し、次に、トランスフォーマーバックボーンに対するグラフ畳み込みネットワーク(GCN)の影響を評価する。
以上の結果から, 移動データとGCNモジュールは予測性能を著しく向上させるものではないが, 死亡率と入院率のデータはモデル精度を著しく向上させることが明らかとなった。
論文 参考訳（メタデータ） (2025-05-20T12:23:18Z) - Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。
我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
論文 参考訳（メタデータ） (2024-12-30T01:59:34Z) - Graph Neural Network Surrogates to leverage Mechanistic Expert Knowledge towards Reliable and Immediate Pandemic Response [39.146761527401424]
我々は,空間的および階層的に解決された機械的メタポピュレーションシミュレータのグラフニューラルネットワーク(GNN)サロゲートを開発する。
提案手法は, 力学モデルと比較して最大28,670倍の速さで評価を行う。
結果は、GNNが複雑なメタポピュレーションモデルをパンデミック反応の即時かつ信頼性の高いツールに変換する方法を示している。
論文 参考訳（メタデータ） (2024-11-10T15:54:09Z) - A Review of Graph Neural Networks in Epidemic Modeling [14.28921518883576]
新型コロナウイルスのパンデミックが始まって以来、疫学モデルの研究への関心が高まっている。
グラフニューラルネットワーク(Graph Neural Networks)は、伝染病の研究において、徐々に人気が高まっているツールだ。
論文 参考訳（メタデータ） (2024-03-28T21:54:48Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - 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) - 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) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Discrepancies in Epidemiological Modeling of Aggregated Heterogeneous
Data [1.433758865948252]
本研究では, 複雑なシステムに直面すると, 伝染率などの疫学パラメータを推定するための最先端モデルが不適切であることを示す。
複数の流行から発生した入射曲線を組み合わせることで、複雑な発生シナリオを3つ生成する。
このベイズ推定フレームワークにおける2つのデータ生成モデルを評価する。
論文 参考訳（メタデータ） (2021-06-20T03:41:19Z) - 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) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。