論文の概要: From the logistic-sigmoid to nlogistic-sigmoid: modelling the COVID-19
pandemic growth
- arxiv url: http://arxiv.org/abs/2008.04210v3
- Date: Wed, 9 Dec 2020 02:25:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 06:37:08.843997
- Title: From the logistic-sigmoid to nlogistic-sigmoid: modelling the COVID-19
pandemic growth
- Title（参考訳）: ロジスティックシグモイドからノロジカルシグモイドへ:COVID-19パンデミック成長のモデル化
- Authors: Oluwasegun A. Somefun, Kayode Akingbade and Folasade Dahunsi
- Abstract要約: 実世界の成長現象をモデル化するためのロジスティック成長のコンパクトで統一的な近代的定義として、ノロジカル・シグモイド関数を導入する。
具体的には、世界保健機関(WHO)が毎日発行する新型コロナウイルスの感染と死亡の時系列データをモデル化するために、この機能を応用する。
この結果から、新型コロナウイルスの感染拡大が進行している世界の被災国では、99%以上の適合が統計的に有意であることが明らかとなった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Real-world growth processes, such as epidemic growth, are inherently noisy,
uncertain and often involve multiple growth phases. The logistic-sigmoid
function has been suggested and applied in the domain of modelling such growth
processes. However, existing definitions are limiting, as they do not consider
growth as restricted in two-dimension. Additionally, as the number of growth
phases increase, the modelling and estimation of logistic parameters becomes
more cumbersome, requiring more complex tools and analysis. To remedy this, we
introduce the nlogistic-sigmoid function as a compact, unified modern
definition of logistic growth for modelling such real-world growth phenomena.
Also, we introduce two characteristic metrics of the logistic-sigmoid curve
that can give more robust projections on the state of the growth process in
each dimension. Specifically, we apply this function to modelling the daily
World Health Organization published COVID-19 time-series data of infection and
death cases of the world and countries of the world to date. Our results
demonstrate statistically significant goodness of fit greater than or equal to
99% for affected countries of the world exhibiting patterns of either single or
multiple stages of the ongoing COVID-19 outbreak, such as the USA.
Consequently, this modern logistic definition and its metrics, as a machine
learning tool, can help to provide clearer and more robust monitoring and
quantification of the ongoing pandemic growth process.
- Abstract（参考訳）: 流行拡大のような現実世界の成長プロセスは本質的に騒がしく、不確実であり、しばしば複数の成長段階を伴う。
ロジスティック・シグモイド関数はそのような成長過程をモデル化する領域に提案され応用されている。
しかし、既存の定義は、成長が2次元に制限されているとは考えていないため、制限されている。
さらに、成長段階の数が増加するにつれて、ロジスティックパラメータのモデリングと推定が困難になり、より複雑なツールや分析が必要になる。
そこで本研究では,実世界の成長現象をモデル化するためのロジスティック成長のコンパクトで統一的な定義としてnlogistic-sigmoid関数を導入する。
また,ロジスティック・シグモイド曲線の2つの特性指標を導入し,各次元における成長過程の状態をよりロバストに予測する。
具体的には、この機能を、新型コロナウイルス(covid-19)による世界および世界の感染症および死亡事例の時系列データを公開した日次世界保健機関(day world health organization)のモデルに適用する。
以上の結果から、米国など新型コロナウイルスの感染拡大が進行中の単一または複数段階のパターンを呈する世界の被災国では、99%以上の適合が統計的に有意であることが示された。
その結果、現代のロジスティック定義とそのメトリクスは、機械学習ツールとして、進行中のパンデミック成長プロセスのより明確で堅牢な監視と定量化に役立ちます。
関連論文リスト
- Targeted Maximum Likelihood Estimation for Integral Projection Models in Population Ecology [4.209594014085132]
積分射影モデルから導出した特性に対する頑健で効率的な推定器を開発する。
本研究はIdaho steppe plant communityとRotifer populationsの長期研究から得られた実データを用いて広範囲にわたるシミュレーションを行う。
論文 参考訳（メタデータ） (2024-11-12T19:56:05Z) - Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent
Dynamical Systems [70.84976977950075]
実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。
本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。
我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
論文 参考訳（メタデータ） (2024-02-29T23:07:07Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Masked Structural Growth for 2x Faster Language Model Pre-training [18.276784451675603]
我々は、小さなトランスフォーマー構造から大きな構造へと徐々に成長することで、事前学習のスピードアップに重点を置いている。
成長スケジュールの観点では、個々の次元がスケジュールの効率に与える影響は、既存の作業によって過小評価される。
本稿では, (i) 可能なすべての次元を含む成長スケジュールと, (ii) 厳密な機能保存型成長演算子を含む, マスケッド構造成長(MSG)を提案する。
論文 参考訳（メタデータ） (2023-05-04T14:28:39Z) - Implicit Diffusion Models for Continuous Super-Resolution [65.45848137914592]
本稿では,高忠実度連続画像超解像のためのインプリシティ拡散モデル(IDM)を提案する。
IDMは暗黙のニューラル表現とデノナイジング拡散モデルを統合されたエンドツーエンドフレームワークに統合する。
スケーリング係数は分解能を調節し、最終出力におけるLR情報と生成された特徴の比率を変調する。
論文 参考訳（メタデータ） (2023-03-29T07:02:20Z) - A minor extension of the logistic equation for growth of word counts on
online media: Parametric description of diversity of growth phenomena in
society [0.0]
拡張ロジスティック方程式を導入し、モデルが実際の成長曲線の様々なパターンを連続的に再現可能であることを示した。
モデルパラメータを解析した結果,典型的な成長パターンはロジスティック関数だけでなく,非自明な成長曲線でもあることがわかった。
提案したモデルと統計特性は、Google Trendsのデータにも有効である。
論文 参考訳（メタデータ） (2022-11-30T04:37:36Z) - Super-model ecosystem: A domain-adaptation perspective [101.76769818069072]
本稿では,ドメイン適応による新たなスーパーモデルパラダイムの理論的基礎を確立することを試みる。
スーパーモデルパラダイムは、計算とデータコストと二酸化炭素排出量を減らすのに役立つ。
論文 参考訳（メタデータ） (2022-08-30T09:09:43Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Continuous-Time Deep Glioma Growth Models [3.147638981634818]
最近の研究は、深層学習と変分推論を通じてグリオーマ成長モデル問題にアプローチし、実際の患者データ分布から完全に学習する。
本稿では,時系列の条件モデルであるNeural Processesを拡張して,時間的生成的注意機構を含む階層的なマルチスケール表現符号化を実現することにより,これらの制限を克服する。
このアプローチは他の学習された成長モデルよりも優れた性能を示し、画像のグローバルおよびよりきめ細かなバリエーションを捉えることに成功した。
論文 参考訳（メタデータ） (2021-06-23T14:40:44Z) - A Data-driven Understanding of COVID-19 Dynamics Using Sequential
Genetic Algorithm Based Probabilistic Cellular Automata [4.36572039512405]
本研究は、この感染拡散の正確なデータ駆動モデリングのために、セルオートマトンが優れたプラットフォームを提供することを示唆する。
異なる大陸の40カ国で、新型コロナウイルスの統計分析が実施されている。
このモデルの実質的な予測力は、パンデミックのダイナミクスにおける主要なプレイヤーの結論とともに確立されている。
論文 参考訳（メタデータ） (2020-08-27T09:53:21Z) - When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and
Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。
さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。
本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文 参考訳（メタデータ） (2020-05-13T18:21:50Z)
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。