論文の概要: Learning and Forecasting Multiscale Spatiotemporal Epidemic Dynamics with Lagrangian-Eulerian Graph Neural ODEs

• arxiv url: http://arxiv.org/abs/2610.21223v1
• Date: Thu, 15 Oct 2026 04:11:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.176243
• Title: Learning and Forecasting Multiscale Spatiotemporal Epidemic Dynamics with Lagrangian-Eulerian Graph Neural ODEs
• Title（参考訳）: Lagrangian-Eulerian Graph Neural ODEを用いたマルチスケール時空間エピデミックダイナミクスの学習と予測
• Abstract要約: LE-EpiGNODEは、一般的なメッセージパッシングをプロセス固有のメカニズム誘導型ニューラル演算子に置き換える。 LE-EpiGNODEを時間変調, 状態依存, 非線形, 結合力学にまたがる14の制御された合成機構で評価した。
• 参考スコア（独自算出の注目度）: 4.525700633155892
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate medium- to long-range epidemic forecasting requires extrapolating high-dimensional, heterogeneous and nonstationary dynamics from partial observations. Yet hybrid models often leave implicit which observations inform which epidemic processes and how learned graph interactions modify system state. We introduce LE-EpiGNODE, which replaces generic message passing with process-specific, mechanism-guided neural operators: age-contact information drives Lagrangian infection generation, whereas mobility drives conservative Eulerian population transport within a structure-preserving universal differential equation. We evaluated LE-EpiGNODE across 14 controlled synthetic mechanisms spanning time-modulated, state-dependent, nonlinear and coupled dynamics, three complementary COVID-19 settings, 21 comparator models and five targeted ablations. Forecasting gains tended to become more pronounced at longer horizons; at the longest horizon, LE-EpiGNODE achieved the lowest WMAPE in all three real-world datasets, reducing error by 17.7-40.0% relative to the best baseline. Controlled ablations linked these gains to the Lagrangian-Eulerian decomposition and process-aligned priors, while synthetic ground truth showed that learned operators and induced state fluxes track known generating dynamics. These results support mechanism-organized graph neural dynamics as a route to reliable long-horizon extrapolation with directly testable, process-level mechanistic interpretation beyond trajectory accuracy.
• Abstract（参考訳）: 正確な中長距離流行予測には、部分的な観測から高次元・不均一・非定常ダイナミクスを外挿する必要がある。 しかし、ハイブリッドモデルは、どの流行の過程や学習されたグラフの相互作用がシステムの状態をどう変更するかを観察する際、暗黙的に残すことが多い。 我々は、LE-EpiGNODEを導入し、ジェネリックメッセージパッシングをプロセス固有のメカニズム誘導型ニューラル演算子に置き換える: 年齢接触情報によってラグランジアン感染の発生が促進されるのに対し、モビリティは構造保存の普遍微分方程式の中で保守的なユーレリア人口輸送を駆動する。 LE-EpiGNODEは, 時間変調, 状態依存, 非線形, 結合ダイナミクス, 3つの補完的なCOVID-19設定, 21のコンパレータモデル, 5つの目標アブリゲーションにまたがる14の制御された合成機構について検討した。 予測ゲインはより長い地平線でより顕著になる傾向にあり、LE-EpiGNODEは3つの実世界のデータセットの中で最低のWMAPEを達成し、最良ベースラインに対して17.7-40.0%の誤差を減らした。 制御されたアブレーションはこれらの利得をラグランジアン・ユーレリアの分解とプロセス整列の先行と結びつけ、一方、合成基底の真実は、学習された演算子と誘導状態フラックスが既知の生成ダイナミクスを追跡することを示した。 これらの結果は、軌道精度を超えた直接テスト可能なプロセスレベルの機械的解釈で、信頼性の高い長軸外挿へのルートとして、メカニズム組織化されたグラフニューラルダイナミクスをサポートする。

関連論文リスト

• DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
  DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。 合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
  論文  参考訳（メタデータ） (2026-08-19T03:44:28Z)
• Neural Ordinary Differential Equations for Simulating Metabolic Pathway Dynamics from Time-Series Multiomics Data [0.0]
  プロテオームとメタボロームの複雑な相互作用を学習するための動的フレームワークとしてニューラル正規微分方程式(NODE)を導入する。 その結果,LymoneneおよびIsopentenolデータセットの基線上でのルート平均二乗誤差は90%以上改善した。
  論文  参考訳（メタデータ） (2025-12-09T15:44:03Z)
• An Operator-Consistent Graph Neural Network for Learning Diffusion Dynamics on Irregular Meshes [0.0]
  拡散、損傷、治癒などの多物理相互作用は、しばしば不規則なメッシュ上で起こる。 我々は,物理インフォームド制約下でのPDE進化を近似する演算子一貫性グラフニューラルネットワーク(OCGNN-PINN)を開発した。
  論文  参考訳（メタデータ） (2025-12-05T06:58:25Z)
• Improving Long-Range Interactions in Graph Neural Simulators via Hamiltonian Dynamics [71.53370807809296]
  最近のグラフニューラルシミュレータ(GNS)は、グラフ構造化データ上での動的学習によりシミュレーションを加速する。 ハミルトン力学の原理に基づいて構築されたグラフベースニューラルネットワークであるIGNS(Information-serving Graph Neural Simulator)を提案する。 IGNSは最先端のGNSを一貫して上回り、挑戦的で複雑な力学系の下で高い精度と安定性を達成する。
  論文  参考訳（メタデータ） (2025-11-11T12:53:56Z)
• A Stage-Aware Mixture of Experts Framework for Neurodegenerative Disease Progression Modelling [6.577465893404979]
  神経変性疾患の長期進行はグラフ拡散過程として一般的に概念化されている。 そこで本研究では,異なるコントリビューション機構が病期においてどのように支配されているかを明確にモデル化する,新たな段階認識型混合エキスパートフレームワークを提案する。 IGND-MoEモデルは、これらの成分を時間的状態にわたって動的に統合し、ステージ特異的な病理機構が進行にどのように寄与するかを理解するための原則化された方法を提供する。
  論文  参考訳（メタデータ） (2025-08-09T16:09:00Z)
• Is memory all you need? Data-driven Mori-Zwanzig modeling of Lagrangian particle dynamics in turbulent flows [38.33325744358047]
  本研究では,乱流ラグランジアン軌道を短時間の予測に適した精度で発展させることのできる代理力学系をいかに学習できるかを示す。 これにより、例えば乱流における活性ラグランジアン剤の制御など、様々な新しい応用が開かれる。
  論文  参考訳（メタデータ） (2025-07-21T20:50:55Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)

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。