論文の概要: DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive
Surveillance of COVID-19 Using Heterogeneous Features and their Interactions
- arxiv url: http://arxiv.org/abs/2008.00115v1
- Date: Fri, 31 Jul 2020 23:37:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 07:13:59.779421
- Title: DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive
Surveillance of COVID-19 Using Heterogeneous Features and their Interactions
- Title（参考訳）: DeepCOVIDNet:不均一な特徴と相互作用を用いた新型コロナウイルスの予測監視のための解釈可能なディープラーニングモデル
- Authors: Ankit Ramchandani, Chao Fan, Ali Mostafavi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.30238915794052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a deep learning model to forecast the range of
increase in COVID-19 infected cases in future days and we present a novel
method to compute equidimensional representations of multivariate time series
and multivariate spatial time series data. Using this novel method, the
proposed model can both take in a large number of heterogeneous features, such
as census data, intra-county mobility, inter-county mobility, social distancing
data, past growth of infection, among others, and learn complex interactions
between these features. Using data collected from various sources, we estimate
the range of increase in infected cases seven days into the future for all U.S.
counties. In addition, we use the model to identify the most influential
features for prediction of the growth of infection. We also analyze pairs of
features and estimate the amount of observed second-order interaction between
them. Experiments show that the proposed model obtains satisfactory predictive
performance and fairly interpretable feature analysis results; hence, the
proposed model could complement the standard epidemiological models for
national-level surveillance of pandemics, such as COVID-19. The results and
findings obtained from the deep learning model could potentially inform
policymakers and researchers in devising effective mitigation and response
strategies. To fast-track further development and experimentation, the code
used to implement the proposed model has been made fully open source.
- Abstract（参考訳）: 本稿では,今後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し,多変量時系列と多変量空間時系列データの等次元表現を計算するための新しい手法を提案する。
この手法により, 国勢調査データ, 地域内移動性, 地域間移動性, 社会的分散性データ, 感染の過去成長など, 様々な特徴を取り入れ, それらの特徴間の複雑な相互作用を学ぶことができる。
様々な情報源から収集したデータを用いて,米国全郡で7日間の感染者増加範囲を推定した。
また,このモデルを用いて,感染拡大の予測に最も影響力のある特徴を同定する。
また、特徴のペアを分析し、観察された2次相互作用の量を推定する。
実験により,提案モデルが良好な予測性能と極めて解釈可能な特徴分析結果を得ることで,新型コロナウイルス等の全国レベルのパンデミック監視のための標準疫学モデルを補完する可能性が示唆された。
深層学習モデルから得られた結果と結果は、政策立案者や研究者に効果的な緩和と対応戦略を考案する上で有益である。
さらなる開発と実験を素早く進めるために、提案されたモデルを実装するために使用されるコードは、完全にオープンソース化された。
関連論文リスト
- A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19 [0.6874745415692134]
本稿では,感染症予測の課題に対処する新しいアプローチを提案する。
本稿では,複数の情報源からの情報を活用するマルチラテラルアテンション強化型GRUモデルを提案する。
GRUフレームワークに注意機構を組み込むことで、我々のモデルはデータ内の複雑な関係や時間的依存を効果的に捉えることができる。
論文 参考訳（メタデータ） (2024-08-26T06:31:53Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Metapopulation Graph Neural Networks: Deep Metapopulation Epidemic
Modeling with Human Mobility [14.587916407752719]
多段階多地域流行予測のための新しいハイブリッドモデルMepoGNNを提案する。
本モデルでは, 確認症例数だけでなく, 疫学的パラメータも明示的に学習できる。
論文 参考訳（メタデータ） (2023-06-26T17:09:43Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Combining Graph Neural Networks and Spatio-temporal Disease Models to
Predict COVID-19 Cases in Germany [0.0]
いくつかの専門家は、新型コロナウイルスの拡散を説明するために人間の移動性を考慮する必要性を求めた。
ほとんどの統計モデルや疫学モデルでは、人間の移動性を符号化するデータを含む非構造化データソースを直接組み込むことはできない。
本稿では,両研究方向のトレードオフを提案し,統計回帰モデルと機械学習モデルの利点を組み合わせた新しい学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-03T16:39:00Z) - 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) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳（メタデータ） (2020-10-28T10:58:59Z) - 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)
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。