論文の概要: Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19
- arxiv url: http://arxiv.org/abs/2009.11407v2
- Date: Thu, 24 Dec 2020 04:08:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 16:55:52.704992
- Title: Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19
- Title（参考訳）: パンデミック下の歴史的疾患予測モデルの構築 : インフルエンザとCOVID-19の事例
- Authors: Alexander Rodr\'iguez, Nikhil Muralidhar, Bijaya Adhikari, Anika
Tabassum, Naren Ramakrishnan, B. Aditya Prakash
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 75.99038202534628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forecasting influenza in a timely manner aids health organizations and
policymakers in adequate preparation and decision making. However, effective
influenza forecasting still remains a challenge despite increasing research
interest. It is even more challenging amidst the COVID pandemic, when the
influenza-like illness (ILI) counts are affected by various factors such as
symptomatic similarities with COVID-19 and shift in healthcare seeking patterns
of the general population. Under the current pandemic, historical influenza
models carry valuable expertise about the disease dynamics but face
difficulties adapting. Therefore, we propose CALI-Net, a neural transfer
learning architecture which allows us to 'steer' a historical disease
forecasting model to new scenarios where flu and COVID co-exist. Our framework
enables this adaptation by automatically learning when it should emphasize
learning from COVID-related signals and when it should learn from the
historical model. Thus, we exploit representations learned from historical ILI
data as well as the limited COVID-related signals. Our experiments demonstrate
that our approach is successful in adapting a historical forecasting model to
the current pandemic. In addition, we show that success in our primary goal,
adaptation, does not sacrifice overall performance as compared with
state-of-the-art influenza forecasting approaches.
- Abstract（参考訳）: インフルエンザをタイムリーに予測することは、適切な準備と意思決定において、医療機関や政策立案者を助ける。
しかし、研究の関心が高まりつつも、効果的なインフルエンザ予測は依然として課題である。
インフルエンザに似た病気(ILI)の数が、COVID-19との症状的類似性や、一般人口の医療活動のパターンの変化など、さまざまな要因に影響を受けている。
現在のパンデミックの下では、過去のインフルエンザモデルは病気のダイナミクスに関する貴重な専門知識を持っているが、適応が困難である。
そこで我々は,インフルエンザとCOVID-19が共存する新たなシナリオに,歴史的疾患予測モデルを"ステア"する神経伝達学習アーキテクチャであるCALI-Netを提案する。
当社のフレームワークは,新型コロナウイルス関連信号から学ぶべき時期と,過去のモデルから学ぶべき時期を自動的に学習することで,この適応を可能にする。
このように、歴史的ILIデータから学んだ表現と、新型コロナウイルス関連の限られた信号を利用する。
私たちの実験は、現在のパンデミックに過去の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ます。
また,本研究の主な目標である適応化の成功は,最先端のインフルエンザ予測手法と比較して総合的なパフォーマンスを犠牲にしないことを示した。
関連論文リスト
- Agent-Based Model: Simulating a Virus Expansion Based on the Acceptance
of Containment Measures [65.62256987706128]
比較疫学モデルは、疾患の状態に基づいて個人を分類する。
我々は、適応されたSEIRDモデルと市民のための意思決定モデルを組み合わせたABMアーキテクチャを提案する。
スペイン・ア・コルナにおけるSARS-CoV-2感染症の進行状況について検討した。
論文 参考訳（メタデータ） (2023-07-28T08:01:05Z) - 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) - Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting
Epidemics [2.705025060422369]
感染性疾患は、世界中でヒトの病気や死亡の原因となっている。
感染拡大の予測は、利害関係者が目の前の状況に対処するのに役立つ。
論文 参考訳（メタデータ） (2022-06-21T19:31:25Z) - Forecasting new diseases in low-data settings using transfer learning [0.0]
転帰学習を用いた新しい疾患の予測に,関連疾患の知識がいかに役立つかを示す。
転送学習は,対象疾患のデータに基づくモデルを超えても,予測を改善する可能性を秘めている。
論文 参考訳（メタデータ） (2022-04-07T17:54:39Z) - Understanding the Spread of COVID-19 Epidemic: A Spatio-Temporal Point
Process View [44.67854875502783]
1月21日以降、米国では100万人以上が新型コロナウイルスの感染者を確認している。
この伝染性呼吸器疾患は、米国の3000以上の郡と50の州に急速に広がった。
本疾患の複雑な時空干渉伝播を理解するためには,正確な予測や知的外的介入が可能であることが不可欠である。
論文 参考訳（メタデータ） (2021-06-24T15:26:46Z) - 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) - Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic [10.796851110372593]
疫病モデルのためのヒトの移動性を考慮した異種感染率モデルを提案する。
モデルを線形化し、重み付けされた最小二乗を用いることで、我々のモデルは変化傾向に迅速に適応できる。
疫病の初期には、旅行データを用いて予測が増加することが示されている。
論文 参考訳（メタデータ） (2020-04-23T07:25:46Z)
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。