Fugu-MT 論文翻訳(概要): Continuous Artificial Prediction Markets as a Syndromic Surveillance Technique

論文の概要: Continuous Artificial Prediction Markets as a Syndromic Surveillance Technique

arxiv url: http://arxiv.org/abs/2009.00394v1
Date: Tue, 1 Sep 2020 12:51:48 GMT
ステータス: 処理完了
システム内更新日: 2022-10-23 00:52:48.581414
Title: Continuous Artificial Prediction Markets as a Syndromic Surveillance Technique
Title（参考訳）: シンドロミックサーベイランス技術としての連続人工予測市場
Authors: Fatemeh Jahedpari
Abstract要約: 本稿では, シンドロミック監視システムの課題と, 連続型予測市場を効果的に適用する方法について論じる。以上の結果から,c-APMは毎年,Google Flu TrendsよりもMAEが低いことが示唆された。
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: The main goal of syndromic surveillance systems is early detection of an outbreak in a society using available data sources. In this paper, we discuss what are the challenges of syndromic surveillance systems and how continuous Artificial Prediction Market [Jahedpari et al., 2017] can effectively be applied to the problem of syndromic surveillance. We use two well-known models of (i) Google Flu Trends, and (ii) the latest improvement of Google Flu Trends model, named as GP [Lampos et al., 2015], as our case study and we show how c-APM can improve upon their performance. Our results demonstrate that c-APM typically has a lower MAE to that of Google Flu Trends in each year. Though this difference is relatively small in some years like 2004 and 2007, it is relatively large in most years and very large between 2011 and 2013.
Abstract（参考訳）: シンドロミック監視システムの主な目標は、利用可能なデータソースを使用して、社会におけるアウトブレイクを早期に検出することである。本稿では,シンドローム監視システムの課題と,相互予測市場(jahedpari et al., 2017)が,シンドローム監視の課題に効果的に適用可能かどうかについて議論する。有名な2つのモデルを使って (i)Google Fluトレンド、および (ii)gp[lampos et al., 2015]と名づけられたgoogle flu trendsモデルの最近の改善は、ケーススタディとして、c-apmがパフォーマンスをどのように改善できるかを示します。この結果から,c-APMは毎年Google Flu TrendsよりもMAEが低いことが示唆された。この差は2004年から2007年の間は比較的小さいが、ほとんどの年で比較的大きく、2011年から2013年の間は極めて大きい。

関連論文リスト

Flusion: Integrating multiple data sources for accurate influenza predictions [0.24999074238880484]
アメリカ疾病予防管理センター(CDC)は毎年インフルエンザの予測課題を組織している。我々のモデルであるFlusionは、量子レグレッションモデルとベイズ自己回帰モデルを組み合わせたアンサンブルである。フラクションは、2023/24シーズンにおけるCDCのインフルエンザ予測における最高パフォーマンスモデルであった。
論文参考訳（メタデータ） (2024-07-26T19:24:02Z)
Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
論文参考訳（メタデータ） (2023-05-02T14:34:34Z)
Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文参考訳（メタデータ） (2022-07-19T16:15:11Z)
Transformers for prompt-level EMA non-response prediction [62.41658786277712]
エコロジー・モメンタリー・アセスメント(Ecological Momentary Assessments、EMA)は、認知状態、影響、行動、環境要因を測定するための重要な心理的データ源である。参加者がEMAプロンプトに反応しない非応答は、内因性問題である。非応答を正確に予測できる能力は、EMAのデリバリを改善し、コンプライアンスの介入を開発するために利用することができる。
論文参考訳（メタデータ） (2021-11-01T18:38:47Z)
Forecasting of COVID-19 Cases, Using an Evolutionary Neural Architecture Search Approach [0.76146285961466]
2019年後半には、重症呼吸器疾患である新型コロナウイルス(COVID-19)が出現し、それ以来、世界はパンデミックの危機に直面している。本稿では、拡張機能を備えた新しいデータセットを導入し、新しいアプローチで新型コロナウイルスの患者を予測する。アプローチの有効性を示すため、イランの毎日の事例について比較研究を行った。
論文参考訳（メタデータ） (2021-09-15T05:12:50Z)
#StayHome or #Marathon? Social Media Enhanced Pandemic Surveillance on Spatial-temporal Dynamic Graphs [23.67939019353524]
新型コロナウイルスは、公衆衛生、社会、経済のほぼすべての領域に永続的な被害をもたらしている。既存の研究は、伝統的な統計モデルと流行拡散理論の集約に依存している。我々は,抽出した出来事と関係に基づいて,ソーシャルメディアがパンデミックの知識を広める新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-08-08T15:46:05Z)
Can Self Reported Symptoms Predict Daily COVID-19 Cases? [12.029443053416399]
機械学習モデルを開発し、自己報告症状を用いてCOVID-19の流行を推定する。その結果,グローバルモデルとは対照的に,局所モデルに対する誤差が低かった。この研究は、オンラインプラットフォームを介して収集されたクラウドソースデータに基づいて開発されたモデルが、既存の疫学的監視インフラストラクチャを補完できることを示しています。
論文参考訳（メタデータ） (2021-05-18T07:26:09Z)
Influenza Surveillance using Search Engine, SNS, On-line Shopping, Q&A Service and Past Flu Patients [7.500222253148924]
我々は,過去のインフルエンザ患者,(2)SNS(Twitter),(3)検索エンジン(Yahoo!日本),(4)ショッピングサービス(Yahoo!ショッピング),(5)Q&Aサービス(Yahoo!Chieuro)の5つのオンラインデータリソースをリソースとして使っている。実験の結果, 各種データ資源に基づくハマー回帰モデルが最も正確な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-04-14T06:33:55Z)
Predicting seasonal influenza using supermarket retail records [59.18952050885709]
我々は,スーパーマーケットの小売データを,センチネルバスケットの識別を通じてインフルエンザの代替信号とみなす。 SVR(Support Vector Regression)モデルを用いて、季節性インフルエンザ発生の予測を行います。
論文参考訳（メタデータ） (2020-12-08T16:30:43Z)
Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文参考訳（メタデータ） (2020-09-25T01:50:15Z)
Steering a Historical Disease Forecasting Model Under a Pandemic: Case of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文参考訳（メタデータ） (2020-09-23T22:35:43Z)

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。