論文の概要: Composite Monte Carlo Decision Making under High Uncertainty of Novel
Coronavirus Epidemic Using Hybridized Deep Learning and Fuzzy Rule Induction
- arxiv url: http://arxiv.org/abs/2003.09868v1
- Date: Sun, 22 Mar 2020 11:58:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 05:52:20.779823
- Title: Composite Monte Carlo Decision Making under High Uncertainty of Novel
Coronavirus Epidemic Using Hybridized Deep Learning and Fuzzy Rule Induction
- Title（参考訳）: ハイブリッド型深層学習とファジィルール誘導を用いた新規コロナウイルスの高不確かさ下での複合モンテカルロ決定
- Authors: Simon James Fong, Gloria Li, Nilanjan Dey, Ruben Gonzalez Crespo,
Enrique Herrera-Viedma
- Abstract要約: 政府や当局は高い不確実性の下で重要な決定を下すのに苦労している。
複合モンテカルロシミュレーションは、利用可能なデータを外挿する予測手法である。
深層学習ネットワークとファジィルール誘導は、疫病の発生に関するより良い洞察を得るために使用される。
- 参考スコア（独自算出の注目度）: 12.411873699109236
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the advent of the novel coronavirus epidemic since December 2019,
governments and authorities have been struggling to make critical decisions
under high uncertainty at their best efforts. Composite Monte-Carlo (CMC)
simulation is a forecasting method which extrapolates available data which are
broken down from multiple correlated/casual micro-data sources into many
possible future outcomes by drawing random samples from some probability
distributions. For instance, the overall trend and propagation of the infested
cases in China are influenced by the temporal-spatial data of the nearby cities
around the Wuhan city (where the virus is originated from), in terms of the
population density, travel mobility, medical resources such as hospital beds
and the timeliness of quarantine control in each city etc. Hence a CMC is
reliable only up to the closeness of the underlying statistical distribution of
a CMC, that is supposed to represent the behaviour of the future events, and
the correctness of the composite data relationships. In this paper, a case
study of using CMC that is enhanced by deep learning network and fuzzy rule
induction for gaining better stochastic insights about the epidemic development
is experimented. Instead of applying simplistic and uniform assumptions for a
MC which is a common practice, a deep learning-based CMC is used in conjunction
of fuzzy rule induction techniques. As a result, decision makers are benefited
from a better fitted MC outputs complemented by min-max rules that foretell
about the extreme ranges of future possibilities with respect to the epidemic.
- Abstract（参考訳）: 2019年12月以降、新型コロナウイルスの感染拡大に伴い、政府や当局は最善策として不確実性の高い意思決定に苦慮している。
複合モンテカルロシミュレーション(composite monte-carlo simulation、cmc)は、複数の相関マイクロデータソースから分離した利用可能なデータを、確率分布からランダムなサンプルを抽出して、多くの将来的な結果へと推定する予測手法である。
例えば、中国における感染事例の全体的な傾向と伝播は、人口密度、旅行移動性、病院ベッドなどの医療資源、各都市における隔離管理のタイムラインなどの観点から、武漢市周辺の都市(ウイルスが発祥の地)の時空間データの影響を受けている。
したがって、CMCは、将来の事象の振る舞いと複合データ関係の正しさを表すものとして、CMCの基盤となる統計分布の近接性にのみ信頼性がある。
本稿では, 深層学習ネットワークとファジィルール誘導によって強化されたCMCを用いた, 流行発生の確率的洞察を得るためのケーススタディを提案する。
一般的なプラクティスであるmcに対して,単純かつ均一な仮定を適用する代わりに,ファジィルール誘導手法を併用したディープラーニングベースのcmcを用いる。
その結果、意思決定者は、感染拡大に関する将来の可能性の極端な範囲を予察するmin-max規則によって補完されるより適合性の高いmc出力の恩恵を受ける。
関連論文リスト
- HACSurv: A Hierarchical Copula-based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
HACSurvは、競合するリスクを持つデータから構造や原因特異的生存関数を学習する生存分析手法である。
リスクと検閲の間の依存関係をキャプチャすることで、HACSurvはより良い生存予測を実現する。
論文 参考訳（メタデータ） (2024-10-19T18:52:18Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Conformal Convolution and Monte Carlo Meta-learners for Predictive Inference of Individual Treatment Effects [2.7320409129940684]
コンフォーマル畳み込みTラーナー(CCT-learner)とコンフォーマルモンテカルロメタラーナー(CMC)を紹介する。
これらの手法は、重み付き共形予測システム(WCPS)、モンテカルロサンプリング、CATEメタラーナーを利用する。
個々の治療効果(ITE)の予測分布を生成し、個別の意思決定を強化する。
論文 参考訳（メタデータ） (2024-02-07T14:35:25Z) - Neural parameter calibration and uncertainty quantification for epidemic
forecasting [0.0]
感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。
ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。
本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
論文 参考訳（メタデータ） (2023-12-05T21:34:59Z) - Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data [66.70036251870988]
疾病予防管理センター(CDC)は他の連邦機関と協力して、新型コロナウイルス(COVID-19)の感染が増加する郡(ホットスポット)を特定する。
本稿では,米国における新型コロナウイルスホットスポットの早期発見のためのスパースモデルを提案する。
深層ニューラルネットワークは、カーネルの解釈可能性を維持しながらモデルの代表的なパワーを高めるために導入されている。
論文 参考訳（メタデータ） (2021-05-31T19:28:17Z) - Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak [10.307715136465056]
疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。
これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
論文 参考訳（メタデータ） (2021-02-11T11:57:33Z) - 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) - Predicting COVID-19 cases using Bidirectional LSTM on multivariate time
series [1.8352113484137624]
本稿では,新型コロナウイルス感染者の累積数を予測するための深層学習手法を提案する。
ロックダウンに加え、複数の国のデータにより、毎日の累積感染者の予測の精度が向上している。
論文 参考訳（メタデータ） (2020-09-10T12:53:05Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z) - Simulation of Covid-19 epidemic evolution: are compartmental models
really predictive? [0.0]
本稿では,無症候性および死亡個体群に富んだSIR疫学モデルが,流行の進展を確実に予測できるかどうかを論じる。
粒子群最適化(PSO)に基づく機械学習手法を提案する。
予測における散乱の分析は、モデル予測がトレーニングに使用されるデータセットのサイズに非常に敏感であり、さらにデータが必要であることを示している。
論文 参考訳（メタデータ） (2020-04-14T08:42:11Z)
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。