論文の概要: Demographically-Informed Heat-Mortality Risk Curves via Risk Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2607.21131v1
• Date: Thu, 23 Jul 2026 10:08:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.37123
• Title: Demographically-Informed Heat-Mortality Risk Curves via Risk Graph Neural Networks
• Title（参考訳）: リスクグラフニューラルネットワークによるデモグラフィックインフォームドヒートモードリスク曲線
• Abstract要約: Risk Graph Neural Networks (RGNN) は階層的なGNNエンコーダで、粒度の国勢調査機能を使ってDLNMベクトルを最適化する。 イングランドとウェールズの10地域において、2つの前例のない暑さで評価された。 RGNNの変種は、ベースラインが崩壊する2022年の熱波において、低い点エラーと準不確実性の両方を維持している。
• 参考スコア（独自算出の注目度）: 6.355787371374427
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Estimating heat-related mortality risk is a core task in environmental epidemiology, typically addressed with Distributed Lag Non-linear Models (DLNMs); interpretable exposure-response surfaces fitted to temperature-mortality time series. DLNMs are effective but ignore demographic and geographic context, despite well-established relevance to heat vulnerability. We propose Risk Graph Neural Networks (RGNNs), a hierarchical GNN encoder that uses granular census features to optimise DLNM coefficient vectors, preserving interpretable risk curve outputs while substantially improving predictive calibration. Evaluated across 10 regions of England and Wales on two unprecedented heat years, RGNN variants maintain both lower point-errors and near-nominal uncertainty coverage during the 2022 heatwave where baselines collapse.
• Abstract（参考訳）: 熱関連死亡リスクの推定は環境疫学における中核的な課題であり、通常は分散ラグ非線形モデル(DLNM)で対処される。 DLNMは有効であるが、熱脆弱性との関連性が確立されているにもかかわらず、人口統計学的および地理的文脈を無視する。 階層的なGNNエンコーダであるリスクグラフニューラルネットワーク(RGNN)を提案し、粒度の国勢調査特性を用いてDLNM係数ベクトルを最適化し、予測キャリブレーションを大幅に改善し、解釈可能なリスク曲線出力を保存する。 イングランドとウェールズの10地域において、前例のない2つの熱年で評価され、RGNNの変種は、ベースラインが崩壊する2022年のヒートウェーブにおいて、低い点誤差とほぼ不確実性の両方を維持している。

関連論文リスト

• Trustworthy Data-Driven Wildfire Risk Prediction and Understanding in Western Canada [12.784880191272606]
  近年、カナダ西部における山火事の激化は、社会経済と環境に重大な損失をもたらしている。 本稿では,長期間の時間的モデリングに基づくデータ駆動型山火事リスク予測フレームワークを提案する。 2023年と2024年の火災シーズンでカナダ西部で評価され、提案されたモデルは既存の時系列モデルよりも優れていた。
  論文  参考訳（メタデータ） (2026-01-04T22:05:17Z)
• Residual Reweighted Conformal Prediction for Graph Neural Networks [14.329186221388087]
  グラフニューラルネットワーク(GNN)は、データモデリングに優れていますが、不確実性のため、高い領域で重大な課題に直面しています。 本稿では,最小限の予測セットを生成するためのフレームワークであるResidual Reweighted GNN (RR-GNN)を提案する。 RR-GNNは最先端の手法よりも効率が良く、カバー範囲が失われることはない。
  論文  参考訳（メタデータ） (2025-06-09T15:19:17Z)
• Advancing Heatwave Forecasting via Distribution Informed-Graph Neural Networks (DI-GNNs): Integrating Extreme Value Theory with GNNs [3.1648929705158357]
  極端な熱の長い期間である熱波は、気候変動による頻度と重大さを増している。 気象スケール(1～15日)での正確な熱波予測は、大気中のドライバ間の非線形相互作用と、これらの極端な事象の希少性により、依然として困難である。 本研究では、極値理論(EVT)の原理をグラフニューラルネットワークアーキテクチャに統合する新しいフレームワークであるDis Distribution-Informed Graph Neural Network (DI-GNN)を紹介する。
  論文  参考訳（メタデータ） (2024-11-20T17:45:03Z)
• SurfGNN: A robust surface-based prediction model with interpretability for coactivation maps of spatial and cortical features [17.457540767016223]
  現在の脳表面に基づく予測モデルは、皮質の特徴レベルでの地域属性の変動性を見落としていることが多い。 本研究では,大脳皮質表面メッシュをスパースグラフとみなし,解釈可能な予測モデル-サーフェスグラフニューラルネットワーク(SurfGNN)を提案する。 SurfGNNは、トポロジサンプリング学習(TSL)と地域固有の学習(RSL)構造を用いて、表面メッシュの低スケールと高スケールの両方で個々の皮質の特徴を管理する。
  論文  参考訳（メタデータ） (2024-11-05T08:39:53Z)
• Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction [6.570852598591727]
  Stemporal Zero-Inflated Tweedie Graph Neural Network STZITZTDGNNは,道路交通事故予測における最初の不確実性を考慮したグラフ深層学習モデルである。 本研究は,STIDGNNが対象道路の監視を効果的に行い,都市道路の安全対策を改善することを実証するものである。
  論文  参考訳（メタデータ） (2023-09-10T16:35:47Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• The Interplay Between Implicit Bias and Benign Overfitting in Two-Layer Linear Networks [51.1848572349154]
  ノイズの多いデータに完全に適合するニューラルネットワークモデルは、見当たらないテストデータにうまく一般化できる。 我々は,2層線形ニューラルネットワークを2乗損失の勾配流で補間し,余剰リスクを導出する。
  論文  参考訳（メタデータ） (2021-08-25T22:01:01Z)
• A Spatial-Temporal Graph Based Hybrid Infectious Disease Model with Application to COVID-19 [3.785123406103385]
  新型コロナウイルスのパンデミックが進むにつれて、信頼できる予測が政策立案に重要な役割を果たす。 RNNのようなデータ駆動機械学習モデルは、COVID-19のような時系列データに制限がある場合に悩まされる可能性がある。 グラフ構造上にSEIRとRNNを組み合わせることで,学習と予測の精度と効率を両立させるハイブリッド時間モデルを構築する。
  論文  参考訳（メタデータ） (2020-10-18T19:34:54Z)
• Stochastic Graph Neural Networks [123.39024384275054]
  グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。 現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。 これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
  論文  参考訳（メタデータ） (2020-06-04T08:00:00Z)

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。