論文の概要: Using VERA to explain the impact of social distancing on the spread of COVID-19

• arxiv url: http://arxiv.org/abs/2003.13762v1
• Date: Mon, 30 Mar 2020 19:22:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-27 12:04:30.183322
• Title: Using VERA to explain the impact of social distancing on the spread of COVID-19
• Title（参考訳）: VERAを用いた新型コロナウイルス感染拡大におけるソーシャルディスタンシングの影響
• Authors: William Broniec, Sungeun An, Spencer Rugaber, Ashok K. Goel
• Abstract要約: 我々は、対話型AIツールVERAを紹介し、新型コロナウイルスの拡散に対するソーシャルディスタンシングの影響の概念モデルを特定する。 新型コロナウイルス感染拡大のためのSIRモデルの開発と、その医療能力との関係について、VERAを用いて説明する。
• 参考スコア（独自算出の注目度）: 7.4842212802498755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: COVID-19 continues to spread across the country and around the world. Current strategies for managing the spread of COVID-19 include social distancing. We present VERA, an interactive AI tool, that first enables users to specify conceptual models of the impact of social distancing on the spread of COVID-19. Then, VERA automatically spawns agent-based simulations from the conceptual models, and, given a data set, automatically fills in the values of the simulation parameters from the data. Next, the user can view the simulation results, and, if needed, revise the simulation parameters and run another experimental trial, or build an alternative conceptual model. We describe the use VERA to develop a SIR model for the spread of COVID-19 and its relationship with healthcare capacity.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)は国内や世界中に広がり続けている。 新型コロナウイルス(covid-19)の拡散を管理する現在の戦略には、ソーシャルディスタンシングが含まれる。 本稿では、まず、新型コロナウイルス感染拡大に対するソーシャルディスタンシングの影響の概念モデルを特定することができる対話型AIツールVERAを紹介する。 そして、VERAは概念モデルからエージェントベースのシミュレーションを自動的に生成し、データセットが与えられたら、データからシミュレーションパラメータの値を自動的に埋める。 次に、ユーザはシミュレーション結果を見ることができ、必要に応じてシミュレーションパラメータを修正し、別の実験を行うか、代替概念モデルを構築することができる。 新型コロナウイルス感染拡大のためのSIRモデルの開発と医療能力との関連について述べる。

関連論文リスト

• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• An Interpretable Hybrid Predictive Model of COVID-19 Cases using Autoregressive Model and LSTM [3.7555792840171787]
  本稿では,自己回帰モデル(AR)の解釈可能性と,長期記憶ニューラルネットワーク(LSTM)の予測能力が結合する新しいハイブリッドモデルを提案する。 我々の研究は、効率的かつ解釈可能なデータ駆動モデルを構築するための、新しい、そして有望な方向性を提供する。
  論文  参考訳（メタデータ） (2022-11-14T17:55:43Z)
• Simulation and application of COVID-19 compartment model using physic-informed neural network [0.0]
  我々はシミュレーションと実世界のデータの両方にPhysical-Informed Neural Networkを実装した。 結果は、ニューラルネットワークから学んだ新型コロナウイルスの拡散と予測分析を含む。
  論文  参考訳（メタデータ） (2022-08-04T03:59:37Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Multi-scale simulation of COVID-19 epidemics [0.0]
  新型コロナウイルスの感染拡大が始まってから1年以上が経過している。 今後数週間にわたって広がる未来と、潜在的な政治的介入の影響を正確に予測することは難しい」と述べた。 現在の流行モデルは主に2つのアプローチに該当する: 分割モデル、人口を疫学クラスに分け、微分方程式の数学的解決に依存する。
  論文  参考訳（メタデータ） (2021-12-02T12:34:11Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Semi-supervised Neural Networks solve an inverse problem for modeling Covid-19 spread [61.9008166652035]
  半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。 我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
  論文  参考訳（メタデータ） (2020-10-10T19:33:53Z)
• DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive Surveillance of COVID-19 Using Heterogeneous Features and their Interactions [2.30238915794052]
  今後の新型コロナウイルス感染者の増加範囲を予測するための深層学習モデルを提案する。 様々なソースから収集したデータを用いて、米国全郡で7日以内に感染が拡大する範囲を推定する。
  論文  参考訳（メタデータ） (2020-07-31T23:37:38Z)

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。