Fugu-MT 論文翻訳(概要): Non-Pharmaceutical Intervention Discovery with Topic Modeling

論文の概要: Non-Pharmaceutical Intervention Discovery with Topic Modeling

arxiv url: http://arxiv.org/abs/2009.13602v1
Date: Thu, 10 Sep 2020 11:37:00 GMT
ステータス: 処理完了
システム内更新日: 2022-10-20 02:41:49.007449
Title: Non-Pharmaceutical Intervention Discovery with Topic Modeling
Title（参考訳）: トピックモデリングによる非薬剤的介入発見
Authors: Jonathan Smith, Borna Ghotbi, Seungeun Yi, Mahboobeh Parsapoor
Abstract要約: 国内および国際範囲の2つのコーパスのトピックモデリングについて検討する。これらのモデルは、人間の介入ラベルと比較して既存のカテゴリを発見できる一方で、人間の労力を削減できる。
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: We consider the task of discovering categories of non-pharmaceutical interventions during the evolving COVID-19 pandemic. We explore topic modeling on two corpora with national and international scope. These models discover existing categories when compared with human intervention labels while reduced human effort needed.
Abstract（参考訳）: 我々は、新型コロナウイルスのパンデミックが進行する中で、非薬剤的介入のカテゴリーを発見することを考える。国内および国際範囲の2つのコーパスのトピックモデリングについて検討する。これらのモデルは、人間の介入ラベルと比較して既存のカテゴリを発見しながら、人間の労力を減らす。

関連論文リスト

Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文参考訳（メタデータ） (2024-07-28T02:42:36Z)
A Review of Graph Neural Networks in Epidemic Modeling [14.28921518883576]
新型コロナウイルスのパンデミックが始まって以来、疫学モデルの研究への関心が高まっている。グラフニューラルネットワーク(Graph Neural Networks)は、伝染病の研究において、徐々に人気が高まっているツールだ。
論文参考訳（メタデータ） (2024-03-28T21:54:48Z)
Are Neural Topic Models Broken? [81.15470302729638]
トピックモデルの自動評価と人的評価の関係について検討する。ニューラルトピックモデルは、確立された古典的手法と比較して、両方の点においてより悪くなる。
論文参考訳（メタデータ） (2022-10-28T14:38:50Z)
The impact of spatio-temporal travel distance on epidemics using an interpretable attention-based sequence-to-sequence model [2.203043417301343]
距離の異なる旅行者の数量と、新型コロナウイルス(COVID-19)の軌跡との間には、強い関係がある。異なる移動距離における人口移動の地理的変動が流行のダイナミクスに与える影響を明らかにする。
論文参考訳（メタデータ） (2022-05-26T08:24:35Z)
COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文参考訳（メタデータ） (2022-04-24T07:38:37Z)
Modeling Category-Selective Cortical Regions with Topographic Variational Autoencoders [72.15087604017441]
カテゴリー選択性(英: Category-Selectivity)は、大脳皮質の特定の空間的局所化領域が特定の限られたカテゴリーからの刺激に対して頑健かつ選択的に反応する傾向にあるという観察を記述している。新たに導入されたTopographic Variational Autoencoderを利用して、そのような局所化カテゴリ選択性の出現を教師なしでモデル化する。本研究では,ヒト腹側頭皮質の観察に類似した,より抽象的なカテゴリのネストされた空間的階層が得られたことを示す予備的な結果を示す。
論文参考訳（メタデータ） (2021-10-25T11:37:41Z)
Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文参考訳（メタデータ） (2021-04-28T15:32:42Z)
Mapping the Landscape of Artificial Intelligence Applications against COVID-19 [59.30734371401316]
世界保健機関(WHO)は、SARS-CoV-2ウイルスによる新型コロナウイルスの感染をパンデミックと宣言した。我々は、機械学習と、より広範に、人工知能を用いた最近の研究の概要を、新型コロナウイルス危機の多くの側面に取り組むために提示する。
論文参考訳（メタデータ） (2020-03-25T12:30:33Z)

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。