論文の概要: A New Mathematical Model for Controlled Pandemics Like COVID-19 : AI
Implemented Predictions
- arxiv url: http://arxiv.org/abs/2008.10530v1
- Date: Mon, 24 Aug 2020 16:07:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 12:42:37.108284
- Title: A New Mathematical Model for Controlled Pandemics Like COVID-19 : AI
Implemented Predictions
- Title（参考訳）: 新型コロナウイルスのような制御パンデミックの新しい数学的モデル : AIによる予測
- Authors: Liam Dowling Jones, Malik Magdon-Ismail, Laura Mersini-Houghton and
Steven Meshnick
- Abstract要約: 新型コロナウイルスの感染拡大を抑制するために、3つの制限措置が与える影響を明示的に把握する新しい数学的モデルを提案する。
機械学習を使用して、新しい方程式を$i(r,t)$、任意の領域の感染症$i$ at time $t$で解決し、時間の経過とともに感染拡大を予測する。
この学際的な取り組みは、感染拡大の減速と機械学習の問題解決力を組み合わせた、各指標の影響を予測する新しい数学的モデルであり、現在のパンデミックと将来のパンデミックとの戦いに有用なツールであることを願っている。
- 参考スコア（独自算出の注目度）: 4.167459103689587
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a new mathematical model to explicitly capture the effects that
the three restriction measures: the lockdown date and duration, social
distancing and masks, and, schools and border closing, have in controlling the
spread of COVID-19 infections $i(r, t)$. Before restrictions were introduced,
the random spread of infections as described by the SEIR model grew
exponentially. The addition of control measures introduces a mixing of order
and disorder in the system's evolution which fall under a different
mathematical class of models that can eventually lead to critical phenomena. A
generic analytical solution is hard to obtain. We use machine learning to solve
the new equations for $i(r,t)$, the infections $i$ in any region $r$ at time
$t$ and derive predictions for the spread of infections over time as a function
of the strength of the specific measure taken and their duration. The machine
is trained in all of the COVID-19 published data for each region, county,
state, and country in the world. It utilizes optimization to learn the best-fit
values of the model's parameters from past data in each region in the world,
and it updates the predicted infections curves for any future restrictions that
may be added or relaxed anywhere. We hope this interdisciplinary effort, a new
mathematical model that predicts the impact of each measure in slowing down
infection spread combined with the solving power of machine learning, is a
useful tool in the fight against the current pandemic and potentially future
ones.
- Abstract（参考訳）: 本稿では, ロックダウン日時, 社会的距離, マスク, 学校, 国境閉鎖の3つの制限措置が, 新型コロナウイルスの感染拡大を抑える効果を, 明確に把握する新しい数学的モデルを提案する。
規制導入前は,SEIRモデルによる感染のランダム拡散が指数関数的に増加した。
制御測度の追加は、システムの進化において秩序と無秩序の混合をもたらし、異なる数学的種類のモデルに陥り、最終的に臨界現象に繋がる可能性がある。
一般的な分析解を得るのは難しい。
i(r,t)$という新しい方程式を機械学習を使って解き、任意の地域での感染症はr$を時間$t$に設定し、特定の測定値とその持続時間の強さの関数として、時間とともに感染が広がるという予測を導出します。
このマシンは、新型コロナウイルス(COVID-19)が公表した各地域、郡、州、国のすべてのデータで訓練されている。
最適化を利用して、世界の各地域で過去のデータからモデルのパラメータの最適な値を学び、予測された感染曲線を、追加または緩和される可能性のある将来の制限のために更新する。
この学際的な取り組みは、感染拡大の減速と機械学習の問題解決力を組み合わせた、各指標の影響を予測する新しい数学的モデルであり、現在のパンデミックと将来のパンデミックとの戦いに有用なツールであることを願っている。
関連論文リスト
- 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) - 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) - Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak [10.307715136465056]
疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。
これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
論文 参考訳（メタデータ） (2021-02-11T11:57:33Z) - Digital twins based on bidirectional LSTM and GAN for modelling COVID-19 [8.406968279478347]
新型コロナウイルスの感染が世界中に広がり、1億人以上が感染し、220万人以上が死亡した。
疫学モデルの研究は、このような病気がどのように広まるかをよりよく理解するために、緊急に必要である。
機械学習技術の最近の進歩は、計算コストの削減で複雑なダイナミクスを学習し、予測する能力を持つニューラルネットワークを生み出している。
論文 参考訳（メタデータ） (2021-02-03T11:54:24Z) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Physics-informed machine learning for the COVID-19 pandemic: Adherence
to social distancing and short-term predictions for eight countries [0.0]
2020年上半期の新型コロナウイルスは、ほとんどの国が社会的な距離を測ることで、より大きく、より少ない範囲に制限された。
本研究では,地域レベルでの感染データと,社会的距離の分散効果を示す1つの数字を直接リンクする。
両極端にあるのはギリシャであり、一方が最高に崩壊し、他方がアメリカであり、他方が事実上平らな「デカイ」であることがわかった。
論文 参考訳（メタデータ） (2020-08-18T21:26:30Z) - A Recurrent Neural Network and Differential Equation Based
Spatiotemporal Infectious Disease Model with Application to COVID-19 [3.464871689508835]
我々は、ディファレンス微分方程式(SIR)とリカレントニューラルネットワーク(RNN)に基づく統合疾患モデルを開発する。
イタリアのCO-19データをトレーニングし,既存の時間モデル(NN,SIR,ARIMA)を1日,3日,1週間の予測で上回っていることを示す。
論文 参考訳（メタデータ） (2020-07-14T07:04:57Z) - 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) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳（メタデータ） (2020-05-13T20:29:48Z) - 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。