論文の概要: GeoID-PINN: Identifiability-Aware Regional Epidemic Inference with Geographic Coupling

• arxiv url: http://arxiv.org/abs/2608.02633v1
• Date: Tue, 28 Jul 2026 05:59:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.869447
• Title: GeoID-PINN: Identifiability-Aware Regional Epidemic Inference with Geographic Coupling
• Title（参考訳）: GeoID-PINN: Identifiability-Aware Regional Epidemic Inference with Geographic Coupling
• Abstract要約: 本稿では,物理インフォームドニューラルネットワーク(PINN)を導入する。 我々は、距離、隣接性、通勤性、およびリードラグ情報から構築された空間先行を正規化する。 Forecast-Trained Geo-PINNは自己回帰的な負二項基底に対して、平均二乗誤差(MSE)を32,957から11,468、平均絶対誤差(MAE)を70.60から57.73に減少させる。
• 参考スコア（独自算出の注目度）: 1.0875426095207128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Regional surveillance data reflect local transmission, reporting, seeding, and external infection pressure, which are difficult to identify separately. We introduce GeoID-PINN, a physics-informed neural network (PINN) for susceptible-infectious-recovered-deceased (SIRD) dynamics. The model represents spatial dependence with a row-stochastic source-composition matrix whose rows assign nonnegative source weights that sum to one. We regularize this matrix toward a spatial prior constructed from distance, adjacency, commuting, or lead-lag information. In a four-region simulation with known truth, a compatible distance prior gives source-composition error 0.099. The error rises to 0.159 without regularization and 0.577 under a strongly misspecified prior, while trajectory fit and transmission-scale estimates remain similar. Accurate trajectories therefore do not guarantee recovery of the regional dependence structure. We also evaluate GeoID-PINN retrospectively using COVID-19 data from 64 Louisiana counties. Relative to an autoregressive negative-binomial baseline, Forecast-Trained Geo-PINN reduces mean squared error (MSE) from 32,957 to 11,468 and mean absolute error (MAE) from 70.60 to 57.73. The baseline has lower negative log likelihood (NLL), 5.158 versus 5.346, indicating better distributional fit but worse point accuracy. In a controlled 15-county comparison, county adjacency reduces MSE by 6.85 percent and MAE by 3.1 percent. Similar performance across plausible priors supports structured regularization but not unique edge recovery. These results require prior-sensitivity and observation-model checks before interpretation.
• Abstract（参考訳）: 地域監視データは、個別に識別が難しい地域感染、報告、シード、外部感染の圧力を反映している。 物理インフォームドニューラルネットワーク(PINN)であるGeoID-PINNを紹介した。 このモデルは、行が1に等しい非負のソース重みを割り当てる行確率的ソース合成行列による空間的依存を表す。 我々はこの行列を、距離、隣接性、通勤性、およびリードラグ情報から構築された空間的事前に向けて正規化する。 既知の真実を持つ4領域シミュレーションでは、互換性のある距離がソース合成誤差0.099を与える。 誤差は正則化せずに0.159まで上昇し、軌道整合性や伝達スケールの推定値も類似している。 したがって、正確な軌道は、地域依存構造の回復を保証するものではない。 また、ルイジアナ州64郡からのCOVID-19データを用いて、GeoID-PINNを遡及的に評価した。 Forecast-Trained Geo-PINNは自己回帰的な負二項基底に対して、平均二乗誤差(MSE)を32,957から11,468、平均絶対誤差(MAE)を70.60から57.73に減少させる。 ベースラインは負の対数(NLL)が低く、5.158対5.346であり、分布の適合性は良いが点精度は悪い。 管理された15郡比較では、MSEを6.85パーセント、MAEを3.1%削減している。 可塑性前処理にまたがる同様のパフォーマンスは、構造化された正規化をサポートするが、独自のエッジリカバリはサポートしない。 これらの結果は、解釈の前に事前感度と観察モデル検査を必要とする。

関連論文リスト

• When does a spectral prior help graph learning? Connectivity-loss estimation under road-network disruptions [0.0]
  グラフニューラルネットワーク(GNN)を用いた多端削除後の相対的代数接続損失を推定する。 GCN、GraphSAGE、エッジ対応MPNNバックボーンを解析ベースラインと比較する。 その結果、スペクトル残差は、構造的接続性スクリーニングに有用ながドメイン感受性誘導バイアスとして特徴づけられる。
  論文  参考訳（メタデータ） (2026-09-10T07:12:22Z)
• Continuity-Driven Representation Learning for Industrial Defect Detection [10.126273003671388]
  産業的欠陥検出は、検査画像が繰り返し構造を持つ大きな正常な領域を含むため、自然画像オブジェクト検出とは異なる。 本研究では, 正規支配領域を高密度補助監督として活用する連続性駆動型表現正規化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-18T04:31:55Z)
• Predictive Memory Localization: Forecasting Selective Intervention Paths from Internal Signals [4.075831906880532]
  本稿では,PML(Predictive Memory Localization)を導入し,メモリローカライゼーションの予測対象として計測グリッド介入経路を取り扱う。 PMLは、ランダムキャリブレーションされた目標運動を、セマンティック近傍と能力的損傷から分離し、静的な局在化と教師あり幾何を、強度に相反する低線量因果応答と比較する。 3つの残留ノルムマッチングベースモデル全体で、学習方向は選択的パスゲインを保持し、低線量応答は0.801-0.828レコード保持マクロAUROCを生成する。
  論文  参考訳（メタデータ） (2026-08-13T07:23:32Z)
• GeoAI-based post-segmentation quality validation of building footprints via spatial feature engineering [1.3277276618043652]
  ディープラーニングに基づくビルディングフットプリント抽出は、直接GISデータベースの取り込みのためのトップ一貫性のないベクトルを生成することが多い。 ベクトルフットプリントデータベースを浄化するエラー検出を自動化するマルチドメインGeoAI品質管理フレームワークを提案する。 このフレームワークは、誤ったフットプリントの87.34%を識別し、許容可能な構造の98.31%を維持した。
  論文  参考訳（メタデータ） (2026-08-10T02:55:07Z)
• Striding Across Reynolds Numbers: Representation Geometry in Neural PDE Generalisation [0.5451632647096261]
  ニューラルPDE解法におけるクロスレイノルズ一般化は、いまだにあまり特徴づけられていない。 我々は、この仮説を、ソーストレーニングされた畳み込みオートエンコーダ潜在空間の状態と一致するConvAE-Relayを通して検証する。 実験では、整合がマニフォールド上に留まっている場合、ソース・レジームのダイナミックス方向が転送可能である(コサイン類似度0.84)ことが確認された。
  論文  参考訳（メタデータ） (2026-05-28T15:49:26Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Neural Negative Binomial Regression for Weekly Seismicity Forecasting: Per-Cell Dispersion Estimation and Tail Risk Assessment [0.0]
  EarthquakeNetは、ニューラルネットワークを介して過分散パラメータαの内在的なセルごとの見積もりを提供する。 ウォークフォワード評価では、負の二項GLMベースラインと比較して平均偏差が8.6%減少している。 その結果,提案モデルにおけるCRPS(Continuous Rank probability score)は,ベースラインよりも12.5パーセント低かった。
  論文  参考訳（メタデータ） (2026-05-20T17:27:27Z)
• Wasserstein-Aligned Localisation for VLM-Based Distributional OOD Detection in Medical Imaging [8.915586506306875]
  比較推論が可能な最適輸送理論に基づく学習自由フレームワークであるWALDOを紹介する。 Qwen2.5-VL-72B の WALDO は 43.5_pm1.6%$ mAP@30 (95% CI: [40.4, 46.7]) を達成し、ゼロショットベースラインよりも 19% の相対的な改善を示した。
  論文  参考訳（メタデータ） (2026-05-06T17:32:34Z)
• Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
  Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。 このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。 本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:14:20Z)
• Parameter-Efficient Architectural Modifications for Translation-Invariant CNNs [2.111646739533638]
  畳み込みニューラルネットワーク(CNN)は、翻訳不変であると広く考えられているが、標準的なアーキテクチャは驚くべき脆弱性を示している。 我々は,グローバル平均プール層を様々なネットワーク深度に戦略的に挿入し,軽量な「オンラインアーキテクチャ」戦略を提案する。 この戦略は、トレーニング可能なパラメータ(5.2Mから82Kまで)の98%の大幅な削減と、ネットワークサイズ全体の90%の削減を実現している。
  論文  参考訳（メタデータ） (2026-04-30T13:52:42Z)
• Region Matters: Efficient and Reliable Region-Aware Visual Place Recognition [46.97190804063947]
  本稿では,ロバストな識別領域モデリングと適応的再ランク付けを組み合わせたFoL++を提案する。 FoL++は、軽量なメモリフットプリントで最先端のパフォーマンスを実現し、FoLよりも推論速度を40%向上させる。
  論文  参考訳（メタデータ） (2026-04-24T09:28:35Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• RULSurv: A probabilistic survival-based method for early censoring-aware prediction of remaining useful life in ball bearings [39.58317527488534]
  Kullback-Leibler分散とRUL推定を用いた早期故障検出のための新しいフレキシブルな手法を提案する。 我々は,XJTU-SYデータセットにおいて,3つの異なる操作条件にまたがる5倍のクロスバリデーション戦略を用いてアプローチを実証する。 提案手法は,最大荷重下での5軸受の平均累積相対精度(CRA)を0.7586で達成し,複数の最先端ベースラインを改良する。
  論文  参考訳（メタデータ） (2024-05-02T16:17:29Z)
• Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
  本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。 我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。 正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
  論文  参考訳（メタデータ） (2024-02-14T13:30:02Z)
• Ensembling geophysical models with Bayesian Neural Networks [11.972384567130268]
  我々は物理モデルを組み合わせるための新しいデータ駆動型アンサンブル戦略を開発した。 BayNNEは既存のアンサンブル法を上回り、時間外挿のためのRMSEを49.4%削減した。 不確実性も良好で、検証データセットのデータポイントの90.6%が2つの標準偏差内にある。
  論文  参考訳（メタデータ） (2020-10-07T18:32:32Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。