論文の概要: A Bayesian - Deep Learning model for estimating Covid-19 evolution in Spain

• arxiv url: http://arxiv.org/abs/2005.10335v2
• Date: Sat, 6 Mar 2021 17:27:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 05:59:20.185573
• Title: A Bayesian - Deep Learning model for estimating Covid-19 evolution in Spain
• Title（参考訳）: スペインにおけるCovid-19の進化を推定するためのベイジアン-ディープラーニングモデル
• Authors: Stefano Cabras
• Abstract要約: この研究は、スペインにおけるCovid-19の進化を推定するための半パラメトリックなアプローチを提案する。 スペイン全地域の14日間の累積発生率を考えると、現代のディープラーニング(DL)技術を組み合わせてシーケンスを分析している。 結果として得られたモデルにより、すべての領域におけるシーケンスの将来の進化を予測できるだけでなく、最終的なシナリオの結果を推定できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work proposes a semi-parametric approach to estimate Covid-19 (SARS-CoV-2) evolution in Spain. Considering the sequences of 14 days cumulative incidence of all Spanish regions, it combines modern Deep Learning (DL) techniques for analyzing sequences with the usual Bayesian Poisson-Gamma model for counts. DL model provides a suitable description of observed sequences but no reliable uncertainty quantification around it can be obtained. To overcome this we use the prediction from DL as an expert elicitation of the expected number of counts along with their uncertainty and thus obtaining the posterior predictive distribution of counts in an orthodox Bayesian analysis using the well known Poisson-Gamma model. The overall resulting model allows us to either predict the future evolution of the sequences on all regions, as well as, estimating the consequences of eventual scenarios.
• Abstract（参考訳）: 本研究はスペインにおけるCovid-19(SARS-CoV-2)の進化を推定するための半パラメトリック手法を提案する。 スペイン全地域の14日間の累積発生率を考えると、シークエンスを解析するための現代のDeep Learning(DL)技術と、カウントのための通常のベイズン・ポアソン・ガンマモデルを組み合わせたものである。 DLモデルは、観測されたシーケンスの適切な記述を提供するが、その周りの確実な定量化は得られない。 これを克服するために、dl からの予測を、期待される数とその不確かさを専門家に導出し、有名な poisson-gamma モデルを用いて正統なベイズ解析における数値の後方予測分布を得る。 結果として得られたモデルにより、すべての領域におけるシーケンスの将来の進化を予測できるだけでなく、最終的なシナリオの結果を推定できる。

関連論文リスト

• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• Efficient computation of predictive probabilities in probit models via expectation propagation [1.433758865948252]
  我々は予測伝搬(EP)によるベイズ確率モデルの予測確率の計算に焦点をあてる。 このような予測確率がクローズドな表現を持つことを示す。 シミュレーションスタディでは、最先端のアプローチの改善が示されている。
  論文  参考訳（メタデータ） (2023-09-04T14:21:44Z)
• Efficient expectation propagation for posterior approximation in high-dimensional probit models [1.433758865948252]
  ベイジアンプロビット回帰における後部分布の予測伝搬(EP)近似に着目した。 拡張多変量スキュー正規分布における結果の活用方法を示し,EPルーチンの効率的な実装を導出する。 これにより、EPは、詳細なシミュレーション研究で示されているように、高次元設定に挑戦する上でも実現可能である。
  論文  参考訳（メタデータ） (2023-09-04T14:07:19Z)
• 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)
• Excess risk analysis for epistemic uncertainty with application to variational inference [110.4676591819618]
  我々は、未知の分布からデータが生成される頻繁なセッティングにおいて、新しいEU分析を提示する。 一般化能力と、予測分布の分散やエントロピーなど、広く使用されているEUの測定値との関係を示す。 本研究では,PAC-ベイジアン理論に基づく予測とEU評価性能を直接制御する新しい変分推論を提案する。
  論文  参考訳（メタデータ） (2022-06-02T12:12:24Z)
• Benign-Overfitting in Conditional Average Treatment Effect Prediction with Linear Regression [14.493176427999028]
  線形回帰モデルを用いて条件平均処理効果(CATE)の予測における良性過剰適合理論について検討した。 一方,IPW-learnerは確率スコアが分かっていればリスクをゼロに収束させるが,T-learnerはランダムな割り当て以外の一貫性を達成できないことを示す。
  論文  参考訳（メタデータ） (2022-02-10T18:51:52Z)
• Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case Study of the COVID-19 Epidemic Curves [0.0]
  本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。 予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
  論文  参考訳（メタデータ） (2021-08-19T14:44:46Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• 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)
• 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。