Fugu-MT 論文翻訳(概要): Predictive Analysis of COVID-19 Time-series Data from Johns Hopkins University

論文の概要: Predictive Analysis of COVID-19 Time-series Data from Johns Hopkins University

arxiv url: http://arxiv.org/abs/2005.05060v3
Date: Fri, 22 May 2020 19:08:55 GMT
ステータス: 処理完了
システム内更新日: 2022-12-06 00:08:18.361029
Title: Predictive Analysis of COVID-19 Time-series Data from Johns Hopkins University
Title（参考訳）: ジョンズホプキンス大学におけるCOVID-19時系列データの予測分析
Authors: Alireza M. Javid, Xinyue Liang, Arun Venkitaraman, Saikat Chatterjee
Abstract要約: 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。
参考スコア（独自算出の注目度）: 23.50272152447744
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We provide a predictive analysis of the spread of COVID-19, also known as SARS-CoV-2, using the dataset made publicly available online by the Johns Hopkins University. Our main objective is to provide predictions of the number of infected people for different countries in the next 14 days. The predictive analysis is done using time-series data transformed on a logarithmic scale. We use two well-known methods for prediction: polynomial regression and neural network. As the number of training data for each country is limited, we use a single-layer neural network called the extreme learning machine (ELM) to avoid over-fitting. Due to the non-stationary nature of the time-series, a sliding window approach is used to provide a more accurate prediction.
Abstract（参考訳）: 我々は、ジョンズホプキンス大学がオンラインで公開したデータセットを用いて、SARS-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行う。私たちの主な目的は、今後14日以内に異なる国で感染した人の数を予測することです。予測分析は対数スケールで変換された時系列データを用いて行われる。予測には多項式回帰とニューラルネットワークの2つのよく知られた手法を用いる。各国のトレーニングデータの数は限られているため、オーバーフィッティングを避けるために、extreme learning machine(elm)と呼ばれる単層ニューラルネットワークを使用します。時系列の非定常性のため、スライディングウィンドウアプローチはより正確な予測を提供するために使用される。

関連論文リスト

Value Prediction for Spatiotemporal Gait Data Using Deep Learning [0.19972837513980318]
我々は、時系列時間歩行データの価値予測へのディープラーニングの適用を拡大する。その結果,短距離予測は 0.060675 以下であり,長距離予測は 0.106365 以下であった。提案したカスタマイズされたモデルでは,転倒予測,家庭内進捗監視,外骨格運動の支援,認証など,付加的なアプリケーションに対して,価値予測がオープンな可能性を秘めている。
論文参考訳（メタデータ） (2024-02-29T18:30:13Z)
Interpreting Time Series Transformer Models and Sensitivity Analysis of Population Age Groups to COVID-19 Infections [0.35337216626844875]
我々は、最近の局所解釈手法を利用して、最先端の時系列モデルを解釈する。実世界のデータセットを使用するために、3,142郡で毎日3年間のケースデータを収集した。
論文参考訳（メタデータ） (2024-01-26T02:58:59Z)
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)
Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文参考訳（メタデータ） (2023-01-23T18:59:28Z)
Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文参考訳（メタデータ） (2022-07-15T18:21:36Z)
TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文参考訳（メタデータ） (2022-02-07T21:37:29Z)
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)
Examining Deep Learning Models with Multiple Data Sources for COVID-19 Forecasting [10.052302234274256]
COVID-19予測のためのディープラーニングモデルの設計と分析を行う。新型コロナウイルス(COVID-19)や死亡例数などの複数のソースが、より良い予測のためにデータとテストデータを数えている。時間的予測のためのクラスタリングに基づくトレーニングを提案する。
論文参考訳（メタデータ） (2020-10-27T17:52:02Z)
Uncertainty Estimation and Sample Selection for Crowd Counting [87.29137075538213]
予測された密度マップに関連する不確実性値とともに,群衆密度マップを予測できる画像に基づく群集カウント手法を提案する。既存のクラウドカウント手法に比べて,提案手法の重要な利点は,予測の不確かさを定量化できることである。サンプル選択戦略は、ソースドメイン上でトレーニングされたカウントネットワークをターゲットドメインに適応させるために必要なラベル付きデータの量を劇的に削減することを示す。
論文参考訳（メタデータ） (2020-09-30T03:40:07Z)
Curating a COVID-19 data repository and forecasting county-level death counts in the United States [18.03408044303801]
新型コロナウイルス情報を含む大規模データレポジトリの継続的なキュレーションについて概説する。このデータを用いて、新型コロナウイルス累積死亡数の短期的軌跡の予測とそれに対応する予測間隔を推定する。当社の予測は、NPOのResponse4Lifeによって、個々の病院の医療供給の必要性を判断するために使われています。
論文参考訳（メタデータ） (2020-05-16T06:00:28Z)
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)

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。