論文の概要: COVID-19 Time-series Prediction by Joint Dictionary Learning and Online NMF

• arxiv url: http://arxiv.org/abs/2004.09112v1
• Date: Mon, 20 Apr 2020 08:02:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 18:10:29.184359
• Title: COVID-19 Time-series Prediction by Joint Dictionary Learning and Online NMF
• Title（参考訳）: 辞書学習とオンラインnmfによるcovid-19時系列予測
• Authors: Hanbaek Lyu, Christopher Strohmeier, Georg Menz, and Deanna Needell
• Abstract要約: 辞書学習とオンライン非負行列分解(オンラインNMF)に基づく新型コロナウイルス感染予測の新しい手法を提案する。 まず、時系列全体から学習を最小化し、さらにオンラインNMFによって時系列に適応させることで、このようなパターンを学習する。 我々の予測結果は、その解釈可能性から、学習した辞書パターンに直接関連付けることができる。
• 参考スコア（独自算出の注目度）: 6.915425727408129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the spread and containment of COVID-19 is a challenge of utmost importance that the broader scientific community is currently facing. One of the main sources of difficulty is that a very limited amount of daily COVID-19 case data is available, and with few exceptions, the majority of countries are currently in the "exponential spread stage," and thus there is scarce information available which would enable one to predict the phase transition between spread and containment. In this paper, we propose a novel approach to predicting the spread of COVID-19 based on dictionary learning and online nonnegative matrix factorization (online NMF). The key idea is to learn dictionary patterns of short evolution instances of the new daily cases in multiple countries at the same time, so that their latent correlation structures are captured in the dictionary patterns. We first learn such patterns by minibatch learning from the entire time-series and then further adapt them to the time-series by online NMF. As we progressively adapt and improve the learned dictionary patterns to the more recent observations, we also use them to make one-step predictions by the partial fitting. Lastly, by recursively applying the one-step predictions, we can extrapolate our predictions into the near future. Our prediction results can be directly attributed to the learned dictionary patterns due to their interpretability.
• Abstract（参考訳）: 新型コロナウイルスの拡散と封じ込めの予測は、現在幅広い科学コミュニティが直面している最も重要な課題である。 主な課題の1つは、日当たりの感染者データが非常に限られていることであり、例外は少ないが、ほとんどの国は現在「予備拡散段階」にあるため、拡散と封じ込めの間の相転移を予測できる情報が少ないことである。 本稿では,辞書学習とオンライン非負行列分解(オンラインnmf)に基づく新型コロナウイルスの流行予測手法を提案する。 鍵となる考え方は、複数の国における新規の日常事例の短い進化例の辞書パターンを同時に学習し、それらの潜在相関構造を辞書パターンで捉えることである。 まず、時系列全体からミニバッチ学習を行い、オンラインnmfによってさらに時系列に適応することで、そのようなパターンを学習します。 学習した辞書パターンをより最近の観察に順応し,改良していくとともに,それらを用いて部分的適合によるワンステップ予測を行う。 最後に、ワンステップ予測を再帰的に適用することで、予測を近い将来に推定することができる。 予測結果は,その解釈可能性から,学習辞書パターンに直接帰属することができる。

関連論文リスト

• Contrastive Difference Predictive Coding [79.74052624853303]
  本研究では、時系列データの断片を縫合して、将来の事象の予測を学習するために必要なデータの量を減少させるコントラッシブ予測符号化の時間差版を導入する。 目的条件付きRLの非政治アルゴリズムを導出するために,この表現学習手法を適用した。
  論文  参考訳（メタデータ） (2023-10-31T03:16:32Z)
• Characterizing Learning Curves During Language Model Pre-Training: Learning, Forgetting, and Stability [25.52470575274251]
  より長く一貫性のあるテキストを生成するために学習する前に、言語モデルが短い反復句を生成するのを観察する。 個々のトークンは、トレーニング前のランニングで驚くほど一貫性のある、突然の増減または損失の減少を示すことが多い。 より頻繁なトークンは最終段階の低い値に到達し、事前トレーニング実行中の変動が少なく、早期に学習され、事前トレーニング中に「忘れられる」可能性が低い。
  論文  参考訳（メタデータ） (2023-08-29T16:24:09Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Better Language Model with Hypernym Class Prediction [101.8517004687825]
  クラスベース言語モデル (LM) は、コンテキストの疎結合に$n$-gramのLMで対処するために長年開発されてきた。 本研究では,このアプローチをニューラルLMの文脈で再考する。
  論文  参考訳（メタデータ） (2022-03-21T01:16:44Z)
• Dict-BERT: Enhancing Language Model Pre-training with Dictionary [42.0998323292348]
  事前学習型言語モデル(PLM)は,大規模コーパス上で自己指導型学習タスクを行うことで,普遍的な言語表現を学習することを目的としている。 本研究では,辞書におけるレアワードの定義を活用することで,言語モデル事前学習の強化に焦点をあてる。 入力テキストシーケンスとまれな単語定義間の単語と文レベルのアライメントに関する2つの新しい自己教師付き事前学習タスクを提案する。
  論文  参考訳（メタデータ） (2021-10-13T04:29:14Z)
• 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)
• COVID-19 growth prediction using multivariate long short term memory [2.588973722689844]
  長期記憶(LSTM)法を用いて、時間とともに新型コロナウイルスの増殖の相関を学習する。 まず、世界中から確認された症例を含むトレーニングデータをトレーニングした。 リカレントニューラルネットワーク(RNN)法と同等の低い検証誤差で比較して,良好な性能を示した。
  論文  参考訳（メタデータ） (2020-05-10T23:21:19Z)
• Predictive Analysis of COVID-19 Time-series Data from Johns Hopkins University [23.50272152447744]
  我々は、SARS as-CoV-2(SARS as-CoV-2)としても知られる新型コロナウイルスの拡散の予測分析を提供する。 我々の主な目的は、今後14日間に異なる国で感染した人々の数を予測することである。
  論文  参考訳（メタデータ） (2020-05-07T12:47:31Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)
• Parameter Space Factorization for Zero-Shot Learning across Tasks and Languages [112.65994041398481]
  本稿では,ニューラルパラメータの空間に対するベイズ生成モデルを提案する。 タスク言語の組み合わせから得られたデータに基づいて、そのような潜伏変数よりも後部を推測する。 我々のモデルは、最先端のゼロショットの言語間転送手法よりも、同等か良い結果が得られる。
  論文  参考訳（メタデータ） (2020-01-30T16:58:56Z)

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。