論文の概要: Machine Reasoning to Assess Pandemics Risks: Case of USS Theodore Roosevelt

• arxiv url: http://arxiv.org/abs/2008.11040v1
• Date: Mon, 24 Aug 2020 16:11:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-05 02:02:18.258591
• Title: Machine Reasoning to Assess Pandemics Risks: Case of USS Theodore Roosevelt
• Title（参考訳）: パンデミックリスクを評価するマシン推論:ussセオドア・ルーズベルトの事例
• Authors: Kenneth Lai and Svetlana N. Yanushkevich
• Abstract要約: 本稿では,ウイルスデータに対するベイジアン推定に因果ネットワークを用いる。 2020年初頭にセオドア・ルーズベルト (USS Theodore Roosevelt) で発生した新型コロナウイルスの流行を例に挙げる。
• 参考スコア（独自算出の注目度）: 3.0255457622022486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assessment of risks of pandemics to communities and workplaces requires an intelligent decision support system (DSS). The core of such DSS must be based on machine reasoning techniques such as inference and shall be capable of estimating risks and biases in decision making. In this paper, we use a causal network to make Bayesian inference on COVID-19 data, in particular, assess risks such as infection rate and other precaution indicators. Unlike other statistical models, a Bayesian causal network combines various sources of data through joint distribution, and better reflects the uncertainty of the available data. We provide an example using the case of the COVID-19 outbreak that happened on board of USS Theodore Roosevelt in early 2020.
• Abstract（参考訳）: 地域社会や職場へのパンデミックのリスクの評価には、知的意思決定支援システム(DSS)が必要である。 このようなDSSの中核は推論のような機械推論技術に基づいていなければならず、意思決定におけるリスクやバイアスを見積もることができる。 本稿では,ウイルスデータ,特に感染率やその他の予防指標などのリスクを評価するために,因果関係を用いてベイジアンを推定する。 他の統計モデルとは異なり、ベイズ因果ネットワークは結合分布を通じて様々なデータソースを結合し、利用可能なデータの不確実性を反映する。 2020年初頭にセオドア・ルーズベルト (USS Theodore Roosevelt) で発生した新型コロナウイルスの流行を例に挙げる。

関連論文リスト

• HACSurv: A Hierarchical Copula-based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  HACSurvは、競合するリスクを持つデータから構造や原因特異的生存関数を学習する生存分析手法である。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvはより良い生存予測を実現する。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
  我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。 本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。 我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-09-24T14:52:14Z)
• Data-Adaptive Tradeoffs among Multiple Risks in Distribution-Free Prediction [55.77015419028725]
  しきい値とトレードオフパラメータが適応的に選択された場合、リスクの有効な制御を可能にする手法を開発する。 提案手法は単調なリスクとほぼ単調なリスクをサポートするが,それ以外は分布的な仮定はしない。
  論文  参考訳（メタデータ） (2024-03-28T17:28:06Z)
• On (assessing) the fairness of risk score models [2.0646127669654826]
  リスクモデルは、ユーザに対して潜在的な結果について不確実性を伝えるという事実など、さまざまな理由から関心を集めている。 リスクスコアフェアネスの鍵となるデシダータムとして,異なるグループに類似した価値を提供する。 本稿では,従来提案されていた基準値よりも試料径バイアスが少ない新しい校正誤差指標を提案する。
  論文  参考訳（メタデータ） (2023-02-17T12:45:51Z)
• Selecting Models based on the Risk of Damage Caused by Adversarial Attacks [2.969705152497174]
  規制、法的責任、社会的懸念は、安全およびセキュリティクリティカルなアプリケーションにおけるAIの採用に挑戦する。 重要な懸念の1つは、敵が検出されずにモデル予測を操作することで害を引き起こす可能性があることである。 本稿では,敵攻撃による被害の確率をモデル化し,統計的に推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-01-28T10:24:38Z)
• Boosting the interpretability of clinical risk scores with intervention predictions [59.22442473992704]
  本稿では、今後の介入に関するモデルの仮定を明確に伝達する手段として、介入政策と有害事象リスクの合同モデルを提案する。 死亡確率などの典型的なリスクスコアと将来の介入確率スコアとを組み合わせることで、より解釈可能な臨床予測がもたらされることを示す。
  論文  参考訳（メタデータ） (2022-07-06T19:49:42Z)
• Risk score learning for COVID-19 contact tracing apps [18.64835871177855]
  COVID-19用のデジタルコンタクトトレースアプリは、特定の露出中にユーザーが感染したリスクを推定する必要があります。 機械学習手法を用いて,リスクスコアモデルのパラメータを自動的に最適化できることを示した。
  論文  参考訳（メタデータ） (2021-04-17T00:55:36Z)
• Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
  我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。 本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。 我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
  論文  参考訳（メタデータ） (2020-09-20T12:24:45Z)
• COVI White Paper [67.04578448931741]
  接触追跡は、新型コロナウイルスのパンデミックの進行を変える上で不可欠なツールだ。 カナダで開発されたCovid-19の公衆ピアツーピア接触追跡とリスク認識モバイルアプリケーションであるCOVIの理論的、設計、倫理的考察、プライバシ戦略について概説する。
  論文  参考訳（メタデータ） (2020-05-18T07:40:49Z)
• Deep Survival Machines: Fully Parametric Survival Regression and Representation Learning for Censored Data with Competing Risks [14.928328404160299]
  本稿では,検閲データを用いた時系列予測問題において,相対リスクを推定するための新しいアプローチについて述べる。 我々のアプローチは、基礎となる生存分布の一定の比例的ハザードの強い仮定を必要としない。 これは検閲の有無で競合するリスクを伴う生存時間を完全にパラメトリックに推定する最初の作品である。
  論文  参考訳（メタデータ） (2020-03-02T20:21:59Z)

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。