論文の概要: Genetic Programming visitation scheduling solution can deliver a less austere COVID-19 pandemic population lockdown

• arxiv url: http://arxiv.org/abs/2006.10748v1
• Date: Wed, 17 Jun 2020 22:03:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 20:53:20.196537
• Title: Genetic Programming visitation scheduling solution can deliver a less austere COVID-19 pandemic population lockdown
• Title（参考訳）: 遺伝子プログラミングの訪問スケジューリングソリューションは、新型コロナウイルスのパンデミックの集団ロックダウンを減らしてくれる
• Authors: Daniel Howard
• Abstract要約: パンデミックへの対応として、ある程度のロックダウンに苦しむ人々の感染機会を最小限に抑えるために、計算手法が導入された。 人は携帯電話や計算装置を使って、必要な場所や興味のある場所への旅行を依頼する。 人工知能の方法論は、すべての要求を調査し、そのような訪問のために特定の時間割当で応答する。
• 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: A computational methodology is introduced to minimize infection opportunities for people suffering some degree of lockdown in response to a pandemic, as is the 2020 COVID-19 pandemic. Persons use their mobile phone or computational device to request trips to places of their need or interest indicating a rough time of day: `morning', `afternoon', `night' or `any time' when they would like to undertake these outings as well as the desired place to visit. An artificial intelligence methodology which is a variant of Genetic Programming studies all requests and responds with specific time allocations for such visits that minimize the overall risks of infection, hospitalization and death of people. A number of alternatives for this computation are presented and results of numerical experiments involving over 230 people of various ages and background health levels in over 1700 visits that take place over three consecutive days. A novel partial infection model is introduced to discuss these proof of concept solutions which are compared to round robin uninformed time scheduling for visits to places. The computations indicate vast improvements with far fewer dead and hospitalized. These auger well for a more realistic study using accurate infection models with the view to test deployment in the real world. The input that drives the infection model is the degree of infection by taxonomic class, such as the information that may arise from population testing for COVID-19 or, alternatively, any contamination model. The taxonomy class assumed in the computations is the likely level of infection by age group.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックを受けて、ある程度のロックダウンに苦しむ人々の感染機会を最小限に抑えるため、計算手法が導入された。 携帯電話や計算装置を使って、必要な場所や日中の粗悪な時間を示す場所への旅行をリクエストする: 'morning'、'afternoon'、'night'、'any time' といった場合、訪問したい場所だけでなく、訪問したい場所も指定する。 遺伝的プログラミングの変種である人工知能の方法論は、感染、入院、死亡の全体的なリスクを最小限に抑えるため、すべての要求を調査し、特定の時間割当で応答する。 この計算のためのいくつかの代替案が提示され、様々な年齢の230人以上と1700人以上の訪問の背景健康レベルに関する数値実験の結果が3日間にわたって行われた。 地域訪問のためのラウンドロビン非インフォーム時間スケジューリングと比較した,これらの概念解の証明を議論するために,新しい部分感染モデルを導入した。 計算の結果、死亡者も入院者もはるかに少なく、大幅な改善が示された。 これらのオーガは、実際の世界での展開をテストするために、正確な感染モデルを用いたより現実的な研究に適している。 感染モデルを駆動する入力は、ウイルスの集団検査から生じる可能性のある情報や、他の汚染モデルなど、分類学的階級による感染の程度である。 計算で想定される分類学クラスは、年齢集団による感染の可能性が高い。

関連論文リスト

• Towards Graph Neural Network Surrogates Leveraging Mechanistic Expert Knowledge for Pandemic Response [41.94295877935867]
  我々は、空間的かつ人口統計学的に解決された伝染病モデルを構築し、パンデミックの初期段階を表すデータセットのためのグラフニューラルネットワークを訓練する。 提案手法は、オンザフライ実行の可能性をもたらし、低バリアWebアプリケーションにおける病気のダイナミクスモデルの統合をもたらす。
  論文  参考訳（メタデータ） (2024-11-10T15:54:09Z)
• A Transfer Learning and Explainable Solution to Detect mpox from Smartphones images [5.039813366558306]
  ムポックス感染症(英語: Mpox infection)は、皮膚の発疹や噴火の出現であり、人々に医療アドバイスを求めるよう促す可能性がある。 皮膚病変の側面に基づいて事前スクリーニングを行うのに役立つ技術は、画像分類に機械学習を使用することである。 本研究では,皮膚病変画像からmpoxを検出するためのDeep Learningの採用について検討する。
  論文  参考訳（メタデータ） (2023-05-29T13:14:05Z)
• Coronavirus disease situation analysis and prediction using machine learning: a study on Bangladeshi population [1.7188280334580195]
  バングラデシュでは近年、死亡率と感染率の差が以前よりも大きくなっている。 本研究では、機械学習モデルを識別し、今後数日の感染と死亡率を予測する予測システムを作成する。
  論文  参考訳（メタデータ） (2022-07-12T09:48:41Z)
• Forecasting COVID- 19 cases using Statistical Models and Ontology-based Semantic Modelling: A real time data analytics approach [1.8008011356310047]
  本研究では,SARIMA や FBProphet などの統計時系列モデルを用いて,COVID-19 の日常的,回復的,死亡例を正確にモニタリングする予測モデルを開発した。 COVID-19 Ontologyを開発し、設計したOntology上でSPARQLクエリを使用してさまざまなクエリを実行する。 個別の症例予測では、約497件のサンプルが検査され、5種類の新型コロナウイルスクラスに分類されている。
  論文  参考訳（メタデータ） (2022-06-06T11:58:11Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Timely Tracking of Infection Status of Individuals in a Population [70.21702849459986]
  住民の感染状況のリアルタイム追跡について検討した。 この研究では、医療提供者が感染症から回復した人だけでなく、感染した人々も検出したいと考えています。
  論文  参考訳（メタデータ） (2020-12-24T18:49:22Z)
• Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
  新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。 標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。 原理的に部分観測可能なベイズ的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-12T20:37:33Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• A self-supervised neural-analytic method to predict the evolution of COVID-19 in Romania [10.760851506126105]
  我々は、感染症の古典的な確立されたモデルであるSEIRの改良版を使用している。 本稿では,修正SEIRモデルパラメータの正しいセットを推定するために,深層畳み込みネットワークを訓練するための自己教師型アプローチを提案する。 ルーマニアの死亡率が約0.3%である場合、楽観的な結果が得られ、我々のモデルが今後最大3週間の日々の死亡数を正確に予測できることを示した。
  論文  参考訳（メタデータ） (2020-06-23T12:00:04Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• 1-D Convlutional Neural Networks for the Analysis of Pupil Size Variations in Scotopic Conditions [79.71065005161566]
  1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。 モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
  論文  参考訳（メタデータ） (2020-02-06T17:25:37Z)

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。