論文の概要: TDEFSI: Theory Guided Deep Learning Based Epidemic Forecasting with
Synthetic Information
- arxiv url: http://arxiv.org/abs/2002.04663v1
- Date: Tue, 28 Jan 2020 20:51:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 02:58:59.162670
- Title: TDEFSI: Theory Guided Deep Learning Based Epidemic Forecasting with
Synthetic Information
- Title(参考訳): TDEFSI:合成情報を用いた深層学習に基づくエピデミック予測の理論
- Authors: Lijing Wang, Jiangzhuo Chen, and Madhav Marathe
- Abstract要約: TDEFSIは低分解能時系列データを用いて正確な高分解能予測を行う。
我々は、シーズン内とシーズン間の両方の低分解能観測を行うために、2分岐リカレントニューラルネットワークモデルを訓練する。
予測は観測データによって駆動されるが、特定の都市部の複雑な社会的、人口統計学的、地理的属性をキャプチャする。
- 参考スコア(独自算出の注目度): 8.681583244827936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Influenza-like illness (ILI) places a heavy social and economic burden on our
society. Traditionally, ILI surveillance data is updated weekly and provided at
a spatially coarse resolution. Producing timely and reliable high-resolution
spatiotemporal forecasts for ILI is crucial for local preparedness and optimal
interventions. We present TDEFSI (Theory Guided Deep Learning Based Epidemic
Forecasting with Synthetic Information), an epidemic forecasting framework that
integrates the strengths of deep neural networks and high-resolution
simulations of epidemic processes over networks. TDEFSI yields accurate
high-resolution spatiotemporal forecasts using low-resolution time series data.
During the training phase, TDEFSI uses high-resolution simulations of epidemics
that explicitly model spatial and social heterogeneity inherent in urban
regions as one component of training data. We train a two-branch recurrent
neural network model to take both within-season and between-season
low-resolution observations as features, and output high-resolution detailed
forecasts. The resulting forecasts are not just driven by observed data but
also capture the intricate social, demographic and geographic attributes of
specific urban regions and mathematical theories of disease propagation over
networks. We focus on forecasting the incidence of ILI and evaluate TDEFSI's
performance using synthetic and real-world testing datasets at the state and
county levels in the USA. The results show that, at the state level, our method
achieves comparable/better performance than several state-of-the-art methods.
At the county level, TDEFSI outperforms the other methods. The proposed method
can be applied to other infectious diseases as well.
- Abstract(参考訳): インフルエンザのような病気(ili)は社会に大きな社会的・経済的負担を負う。
伝統的に、ILI監視データは毎週更新され、空間的に粗い解像度で提供される。
ILIの時間的・信頼性の高い高分解能時空間予測は局所的準備と最適介入に不可欠である。
本稿では,ニューラルネットワークの強みとネットワーク上の流行過程の高分解能シミュレーションを統合する,流行予測フレームワークであるtdefsi(theory guided deep learning based epidemic forecasting with synthetic information)を提案する。
TDEFSIは低分解能時系列データを用いて正確な高分解能時空間予測を行う。
訓練フェーズの間、tdefsiは都市部に固有の空間的・社会的多様性をトレーニングデータの1つとして明示的にモデル化する流行の高分解能シミュレーションを用いている。
我々は,季節内および季節間における低分解能観測を特徴とし,高分解能の詳細な予測を行うために,2分岐型リカレントニューラルネットワークモデルを訓練する。
その結果得られた予測は、観測されたデータによるだけでなく、特定の都市部の複雑な社会的、人口学的、地理的属性や、ネットワーク上の病気伝播の数学的理論も捉えている。
我々は,米国内の州および郡レベルでの総合的および実世界テストデータセットを用いて,iliの発生率の予測とtdefsiの性能評価に焦点を当てた。
その結果, 状態レベルでは, 最先端手法と同等の性能が得られることがわかった。
郡レベルでは、TDEFSIは他の方法よりも優れている。
本手法は他の感染症にも適用可能である。
関連論文リスト
- Efficient and Effective Time-Series Forecasting with Spiking Neural
Networks [50.195087118884665]
スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。
SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。
本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-02T16:23:50Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - A novel approach for predicting epidemiological forecasting parameters
based on real-time signals and Data Assimilation [3.4901787251083163]
我々は、様々なデータソースと融合手法を用いて、畳み込みニューラルネットワーク(CNN)モデルのアンサンブルを実装し、ロバストな予測を構築する。
気象信号とソーシャルメディアを用いた人口密度マップを組み合わせることで、ロンドンにおける新型コロナウイルスの流行予測の性能と柔軟性が向上した。
論文 参考訳(メタデータ) (2023-07-03T17:05:29Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳(メタデータ) (2022-07-19T16:15:11Z) - Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting
Epidemics [2.705025060422369]
感染性疾患は、世界中でヒトの病気や死亡の原因となっている。
感染拡大の予測は、利害関係者が目の前の状況に対処するのに役立つ。
論文 参考訳(メタデータ) (2022-06-21T19:31:25Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳(メタデータ) (2022-04-01T17:57:36Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳(メタデータ) (2021-02-22T07:02:37Z) - Deep learning via LSTM models for COVID-19 infection forecasting in
India [13.163271874039191]
卓越した計算モデルと数学的モデルは、感染の拡散の複雑さのために信頼性が低い。
リカレントニューラルネットワークのようなディープラーニングモデルは、時間的シーケンスをモデル化するのに適している。
感染率の面では、新型コロナウイルスのホットポットを持つ州を選択し、感染の有無やピークに達した州と比較する。
以上の結果から,他の国や地域での手法の適用を動機づける長期予測が期待されていることが示唆された。
論文 参考訳(メタデータ) (2021-01-28T09:19:10Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳(メタデータ) (2020-12-08T21:21:47Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z) - Adaptive County Level COVID-19 Forecast Models: Analysis and Improvement [1.8899300124593645]
我々は、国家レベルと郡のレベルモデルであるTDEFSI-LONLYを、国内レベルと郡レベルのCOVID-19データに適用する。
このモデルは現在のパンデミックを予測できない。
低次元の時間パターンを学習するために、全国のケースでLSTMバックボーンをトレーニングする、別の予測モデルである、郡レベルの疫学的推論リカレントネットワーク(alg)を提案する。
論文 参考訳(メタデータ) (2020-06-16T17:20:54Z)
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。