Краткое содержание

arXiv:2511.13797v1 Тип объявления: кросс Аннотация: Вирус иммунодефицита человека (ВИЧ) на протяжении десятилетий представляет собой серьезную глобальную проблему здравоохранения, и прогнозирование диагнозов ВИЧ-инфекции продолжает оставаться критически важной областью исследований. Однако захват сложных пространственных и временных зависимостей передачи ВИЧ остается сложной задачей. Традиционные модели нейронных сетей с передачей сообщений (MPNN) полагаются на фиксированную бинарную матрицу смежности, которая кодирует только географическую близость и не способна отражать взаимодействия между несмежными округами. Наше исследование предлагает архитектуру глубокого обучения — фреймворк MAT-MPNN (Mobility-Aware Transformer-Message Passing Neural Network), предназначенный для прогнозирования уровня диагностики ВИЧ на уровне округов в Калифорнии, Флориде и регионе Новой Англии. Модель объединяет временные признаки, извлеченные трансформерным энкодером, со структурированными пространственными отношениями, полученными через генератор графов мобильности (MGG). GMM улучшает традиционные матрицы смежности путем объединения географических и демографических признаков.