論文の概要: Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment
- arxiv url: http://arxiv.org/abs/2006.03202v2
- Date: Thu, 15 Oct 2020 22:37:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 03:17:32.658253
- Title: Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment
- Title（参考訳）: 新型コロナウイルスのアウトブレイクアライメントのための言語間移動学習
- Authors: Sharon Levy and William Yang Wang
- Abstract要約: われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。
実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
- 参考スコア（独自算出の注目度）: 90.12602012910465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The spread of COVID-19 has become a significant and troubling aspect of
society in 2020. With millions of cases reported across countries, new
outbreaks have occurred and followed patterns of previously affected areas.
Many disease detection models do not incorporate the wealth of social media
data that can be utilized for modeling and predicting its spread. In this case,
it is useful to ask, can we utilize this knowledge in one country to model the
outbreak in another? To answer this, we propose the task of cross-lingual
transfer learning for epidemiological alignment. Utilizing both macro and micro
text features, we train on Italy's early COVID-19 outbreak through Twitter and
transfer to several other countries. Our experiments show strong results with
up to 0.85 Spearman correlation in cross-country predictions.
- Abstract（参考訳）: 新型コロナウイルスの感染拡大は、2020年に社会の重要かつ厄介な局面となった。
全国で何百万ものケースが報告され、新たなアウトブレイクが発生し、以前影響を受けた地域のパターンが続いた。
多くの病気検出モデルは、その拡散のモデル化と予測に利用できるソーシャルメディアの豊富なデータを取り入れていない。
この場合、ある国でこの知識を活用して、別の国のアウトブレイクをモデル化することは可能でしょうか?
これに対応するために,疫学的アライメントのための言語間移動学習の課題を提案する。
マクロテキスト機能とマイクロテキスト機能の両方を利用することで,イタリアでは早期のcovid-19流行をtwitterを通じてトレーニングし,他の国に移管しています。
クロスカントリー予測では,最大0.85スピアマン相関の強い結果を示した。
関連論文リスト
- SPEED++: A Multilingual Event Extraction Framework for Epidemic Prediction and Preparedness [73.73883111570458]
多様な疾患や言語に対する流行イベント情報を抽出する,最初の多言語イベント抽出フレームワークを提案する。
各言語でデータに注釈を付けることは不可能であり、ゼロショット・クロスランガル・クロス・ディスリーズ・モデルを開発する。
われわれのフレームワークは、2019年12月初旬に中国のWeiboポストから、中国でのトレーニングなしに、新型コロナウイルスの流行を警告することができる。
論文 参考訳（メタデータ） (2024-10-24T03:03:54Z) - Human Behavior in the Time of COVID-19: Learning from Big Data [71.26355067309193]
2020年3月以降、新型コロナウイルスの感染者は6億人を超え、600万人以上が死亡している。
パンデミックはあらゆる面で人間の行動に影響を与え、変化をもたらした。
研究者は自然言語処理、コンピュータビジョン、音声信号処理、頻繁なパターンマイニング、機械学習といったビッグデータ技術を採用してきた。
論文 参考訳（メタデータ） (2023-03-23T17:19:26Z) - Correlations Between COVID-19 and Dengue [0.8164433158925593]
本稿では、ニューラルネットワークアプローチが、デングとCOVID-19のデータ、および外部要因をどのように組み込むことができるかを示す。
我々は、新型コロナウイルスとデング熱の患者数に非常に似た傾向を示す相関モデルを定義した。
次に、両疾患を組み込んだLong Short-term memory model (LSTM) に拡張することで、モデルの有効性を説明する。
論文 参考訳（メタデータ） (2022-07-27T14:55:28Z) - Understanding the Spread of COVID-19 Epidemic: A Spatio-Temporal Point
Process View [44.67854875502783]
1月21日以降、米国では100万人以上が新型コロナウイルスの感染者を確認している。
この伝染性呼吸器疾患は、米国の3000以上の郡と50の州に急速に広がった。
本疾患の複雑な時空干渉伝播を理解するためには,正確な予測や知的外的介入が可能であることが不可欠である。
論文 参考訳（メタデータ） (2021-06-24T15:26:46Z) - COVID-19 cases prediction using regression and novel SSM model for
non-converged countries [0.0]
2020年1月20日から7月21日まで、新たに新型コロナウイルスに関する情報が収集された。
収束していない国では,SARIMAX,線形回帰モデルを用いて新たな新型コロナウイルス感染者を予想した。
本フレームワークは,インド,米国,ブラジルなどの各国において,このパンデミックの線形回帰と転倒を利用したR-Squared値0.986のピークコロナ症例を予測できる。
論文 参考訳（メタデータ） (2021-06-04T13:02:08Z) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z) - COVID CT-Net: Predicting Covid-19 From Chest CT Images Using Attentional
Convolutional Network [5.174558376705871]
コロナウイルス(COVID-19)は世界中で200カ国以上で大流行している。
本研究では,CT画像からCOVID-19を予測するためのディープラーニングフレームワークを開発した。
我々は2000以上のCT画像のデータセットを用いてモデルを訓練し、その性能を様々な一般的な指標で報告した。
論文 参考訳（メタデータ） (2020-09-10T19:00:51Z) - Transfer Graph Neural Networks for Pandemic Forecasting [32.0506180195988]
人口移動が新型コロナウイルスの感染拡大に与える影響について検討する。
我々は,今後の症例数を予測するためにグラフニューラルネットワークを用いる。
論文 参考訳（メタデータ） (2020-09-10T13:23:52Z) - Understanding the temporal evolution of COVID-19 research through
machine learning and natural language processing [66.63200823918429]
重症急性呼吸器症候群2号(SARS-CoV-2)による新型コロナウイルス感染症(COVID-19)の流行は、世界中の人々の生活や社会に影響を与え続けている。
私たちは複数のデータソース、すなわちPubMedとArXivを使用し、現在のCOVID-19研究の風景を特徴づけるために、いくつかの機械学習モデルを構築しました。
調査の結果,PubMedとArXivで利用可能な研究の種類は異なることが確認された。
論文 参考訳（メタデータ） (2020-07-22T18:02:39Z)
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。