論文の概要: Boundary Degree as a Node-level Feature for Epidemic Scenario Identification in Agent-based Cascade Simulations

• arxiv url: http://arxiv.org/abs/2606.29596v1
• Date: Sun, 28 Jun 2026 20:42:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.978147
• Title: Boundary Degree as a Node-level Feature for Epidemic Scenario Identification in Agent-based Cascade Simulations
• Title（参考訳）: エージェントベースカスケードシミュレーションにおけるエピデミックシナリオ同定のためのノードレベル特徴としての境界度
• Authors: Amro Alabsi Aljundi, Galen Harrison, Jiangzhuo Chen, Abhijin Adiga, Anil Kumar Vullikanti, Madhav V. Marathe,
• Abstract要約: 境界度だけでシナリオ識別精度が19%向上することを示す。 特定の流行シナリオが境界情報や辺縁情報なしでは区別できないことを証明する。 以上の結果から,接触追跡アプリケーションは非感染者との接触を追跡すべきであることが示唆された。
• 参考スコア（独自算出の注目度）: 12.462838856788563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Characterizing the scenario underlying an epidemic from its disease cascade is an important task in simulation analytics. We propose boundary degree, the count of an infected node's contacts in the underlying contact network that were not infected, as a per-node cascade feature for this task. Through systematic ablation on realistic social contact networks of Tennessee and Virginia, we show that boundary degree alone improves scenario identification accuracy by 19%. Edge features, whose importance was observed empirically by prior work, consistently improve accuracy across all settings; we provide theoretical grounding for this observation. These effects are complementary. We prove that certain epidemic scenarios are indistinguishable without boundary or edge information. Prior feature engineering approaches included aggregate boundary statistics, but these were not among the top-ranked feature groups; the per-node representation we propose reveals their importance clearly. Our results suggest that contact tracing applications should track contacts with non-infected individuals, not only transmissions.
• Abstract（参考訳）: 疾患カスケードの流行の背景にあるシナリオを特徴づけることは、シミュレーション分析において重要な課題である。 本研究は, 感染していない接触ネットワークにおける感染ノードの接触数である境界度を, ノードごとのカスケードの特徴として提案する。 テネシー州とバージニア州の現実的な社会接触ネットワークにおける体系的なアブレーションを通じて、境界度だけでシナリオ識別の精度が19%向上することを示す。 先行研究により重要視されたエッジの特徴は,すべての設定において常に精度を向上し,この観測の理論的根拠を提供する。 これらの効果は相補的です。 特定の流行シナリオが境界情報や辺縁情報なしでは区別できないことを証明する。 以前の特徴工学的アプローチには、集合境界統計が含まれていたが、これらは上位の特徴群には含まれておらず、提案するノード単位の表現は、その重要性を明確に示している。 以上の結果から,接触追跡アプリケーションは感染した人だけでなく,感染していない人との接触を追跡すべきであることが示唆された。

関連論文リスト

• Causal EpiNets: Precision-corrected Bounds on Individual Treatment Effects using Epistemic Neural Networks [3.52150916506216]
  有限サンプルでは、標準プラグイン推定器は体系的に失敗する。 両病態を解析する有限サンプルPNS推定のためのニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-08T00:17:15Z)
• Differential Privacy for Network Connectedness Indices [1.7415937218905126]
  エッジに隣接した差分プライバシーの下で、ノード属性をまたいだ代替的な混合を定量化するネットワーク接続性指標の公開方法を示す。 我々は,社会科学者が収集した200個のノードのシミュレーションにおいて,本手法が有効であることを示す。
  論文  参考訳（メタデータ） (2026-03-16T17:57:24Z)
• Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework [66.59051888063665]
  ネットワーク上の因果推論のための新しい部分同定フレームワークを提案する。 露光マッピングの誤用下では, 直接的および漏出的効果に対して, 鋭い上下境界を導出する。 実験の結果, 境界は情報的であり, 露光写像の誤特定の下では信頼性の高い結論が得られた。
  論文  参考訳（メタデータ） (2026-02-03T12:27:11Z)
• The Eminence in Shadow: Exploiting Feature Boundary Ambiguity for Robust Backdoor Attacks [51.468144272905135]
  深層ニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱なままでも重要なアプリケーションを支える。 バックドア攻撃を標的とした理論的解析を行い,不均質なモデル操作を実現するための疎い決定境界に着目した。 エミネンス(Eminence)は、理論的な保証と固有なステルス特性を持つ、説明可能で堅牢なブラックボックスバックドアフレームワークである。
  論文  参考訳（メタデータ） (2025-12-11T08:09:07Z)
• A Dataset for Semantic Segmentation in the Presence of Unknowns [49.795683850385956]
  既存のデータセットは、既知のものや未知のもののみの評価を可能にするが、両方ではない。 乱雑な実環境からの多様な異常な入力を特徴とする,新しい異常セグメンテーションデータセットISSUを提案する。 データセットは、既存の異常セグメンテーションデータセットの2倍大きい。
  論文  参考訳（メタデータ） (2025-03-28T10:31:01Z)
• DNA: Differentially private Neural Augmentation for contact tracing [62.740950398187664]
  接触追跡はウイルスキャリアの早期検出による感染率の低下に有効な方法である。 我々は、分散化された接触追跡において、最先端技術のプライバシー保証を大幅に改善する。 この作業は、重要なプライバシー保証を維持しながら、ディープラーニングをコンタクトトレースに統合する上で、重要な第一歩となる。
  論文  参考訳（メタデータ） (2024-04-20T13:43:28Z)
• Contagion Effect Estimation Using Proximal Embeddings [17.483428990993744]
  感染効果は、ソーシャルネットワークにおける個人の結果に対する仲間の行動の因果効果を指す。 既存のプロキシベースの感染効果推定法は、プロキシが高次元である場合、非常に高いばらつきを持つ。 本稿では,変分オートエンコーダと対向ネットワークを統合した新しいフレームワーク Proximal Embeddings (ProEmb) を提案する。
  論文  参考訳（メタデータ） (2023-06-04T20:55:13Z)
• 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)
• Deep Collaborative Embedding for information cascade prediction [58.90540495232209]
  本稿では,情報カスケード予測のためのDeep Collaborative Embedding (DCE) と呼ばれる新しいモデルを提案する。 本稿では, 自動エンコーダを用いた協調埋め込みフレームワークを提案し, カスケード協調とノード協調によるノード埋め込みを学習する。 実世界のデータセットで行った大規模な実験の結果、我々のアプローチの有効性が検証された。
  論文  参考訳（メタデータ） (2020-01-18T13:32:18Z)

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。