Fugu-MT 論文翻訳(概要): A Deep Learning Framework for COVID Outbreak Prediction

論文の概要: A Deep Learning Framework for COVID Outbreak Prediction

arxiv url: http://arxiv.org/abs/2010.00382v2
Date: Wed, 7 Oct 2020 12:31:21 GMT
ステータス: 処理完了
システム内更新日: 2022-10-13 00:13:21.365382
Title: A Deep Learning Framework for COVID Outbreak Prediction
Title（参考訳）: COVIDアウトブレイク予測のためのディープラーニングフレームワーク
Authors: Neeraj, Jimson Mathew, Ranjan Kumar Behera, Zenin Easa Panthakkalakath
Abstract要約: 本稿では、新型コロナウイルスの流行を予測するためのディープラーニングモデルの比較分析を提案する。 Attention-Long Short Term Memory (AttentionLSTM) と呼ばれる新しいアテンションベースエンコーダデコーダモデルを提案する。提案手法は既存手法と比較して予測精度が優れている。
参考スコア（独自算出の注目度）: 4.922572106422333
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The outbreak of COVID-19 i.e. a variation of coronavirus, also known as novel corona virus causing respiratory disease is a big concern worldwide since the end of December 2019. As of September 12, 2020, it has turned into an epidemic outbreak with more than 29 million confirmed cases and around 1 million reported deaths worldwide. It has created an urgent need to monitor and forecast COVID-19 spread behavior to better control this spread. Among all the popular models for COVID-19 forecasting, statistical models are receiving much attention in media. However, statistical models are showing less accuracy for long term forecasting, as there is high level of uncertainty and required data is also not sufficiently available. In this paper, we propose a comparative analysis of deep learning models to forecast the COVID-19 outbreak as an alternative to statistical models. We propose a new Attention-based encoder-decoder model, named Attention-Long Short Term Memory (AttentionLSTM). LSTM based neural network layer architecture incorporates the idea of fine-grained attention mechanism i.e., attention on hidden state dimensions instead of hidden state vector itself, which is capable of highlighting the importance and contribution of each hidden state dimension. It helps in detection on crucial temporal information, resulting in a highly interpretable network. Additionally, we implement a learnable vector embedding for time. As, time in a vector representation can be easily added with many architectures. This vector representation is called Time2Vec. We have used COVID-19 data repository by the Center for Systems Science and Engineering (CSSE) at Johns Hopkins University to assess the proposed model's performance. The proposed model give superior forecasting accuracy compared to other existing methods.
Abstract（参考訳）: 新型コロナウイルス(COVID-19)の流行は、2019年12月末以降、世界中で大きな問題となっている。 2020年9月12日現在、感染者は2900万人以上で、全世界で約100万人が死亡している。新型コロナウイルス(COVID-19)の感染拡大を監視・予測し、感染拡大を抑える必要がある。新型コロナウイルス(COVID-19)の予測で人気のモデルの中で、統計モデルはメディアで注目を集めている。しかし,統計モデルでは不確実性が高く,必要なデータが十分に得られていないため,長期予測の精度が低い。本稿では、統計モデルの代替として、新型コロナウイルスの流行を予測するためのディープラーニングモデルの比較分析を提案する。注意長短期記憶(attentionlstm)と呼ばれる新しい注意型エンコーダ・デコーダモデルを提案する。 LSTMベースのニューラルネットワーク層アーキテクチャは、隠れ状態ベクトル自体ではなく隠れ状態次元に注意を向ける、きめ細かな注意機構の概念を取り入れており、隠れ状態次元の重要性と貢献を強調することができる。重要な時間的情報の検出に役立ち、高度に解釈可能なネットワークとなる。さらに,学習可能なベクトル埋め込みを実装した。同様に、ベクトル表現の時間は、多くのアーキテクチャで簡単に追加できる。このベクトル表現は Time2Vec と呼ばれる。我々は,ジョンズ・ホプキンス大学システム科学工学センター(csse)によるcovid-19データリポジトリを用いて,提案モデルの性能評価を行った。提案手法は既存手法と比較して予測精度が優れている。

関連論文リスト

Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
A spatiotemporal machine learning approach to forecasting COVID-19 incidence at the county level in the United States [2.9822184411723645]
本稿では,米国内の郡レベルでの新型コロナウイルスの流行を予測するための,長期記憶アーキテクチャに基づくデータ駆動型モデルであるCOVID-LSTMを提案する。われわれは、時間的入力として毎週の新規症例数と、Facebookのハンドエンジニアリングによる空間的特徴を用いて、疾患の時間的および空間的拡散を捉えている。 4週間の予測で、私たちのモデルは平均50のケースで、COVIDhubアンサンブルよりも正確です。
論文参考訳（メタデータ） (2021-09-24T17:40:08Z)
Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data [66.70036251870988]
疾病予防管理センター(CDC)は他の連邦機関と協力して、新型コロナウイルス(COVID-19)の感染が増加する郡(ホットスポット)を特定する。本稿では,米国における新型コロナウイルスホットスポットの早期発見のためのスパースモデルを提案する。深層ニューラルネットワークは、カーネルの解釈可能性を維持しながらモデルの代表的なパワーを高めるために導入されている。
論文参考訳（メタデータ） (2021-05-31T19:28:17Z)
COUnty aggRegation mixup AuGmEntation (COURAGE) COVID-19 Prediction [29.919578191688274]
本稿では,米国各郡における2週間の新型コロナウイルス関連死亡の短期予測を行うCOURAGEという手法を提案する。本モデルでは, 新型コロナウイルス関連症例, 死亡状況, 地域移動傾向, 人口統計情報の公開情報を完全に活用し, 対応する郡レベルの予測の集約として, 州レベルの予測を作成できる。
論文参考訳（メタデータ） (2021-05-03T04:00:59Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
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)
condLSTM-Q: A novel deep learning model for predicting Covid-19 mortality in fine geographical Scale [0.0]
CondLSTM-Qは2週間の予測ウィンドウで、郡レベルでのCOVID-19死亡率を定量的に予測するモデルである。この微細な地理的スケールは、公開可能な予測モデルでは珍しいが有用な特徴である。
論文参考訳（メタデータ） (2020-11-23T16:14:48Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
Deep Learning Models for Early Detection and Prediction of the spread of Novel Coronavirus (COVID-19) [4.213555705835109]
SARS-CoV2は世界的な普及を続けており、パンデミックとなっている。新型コロナウイルスの感染拡大を予測するために、機械学習技術を開発する必要がある。
論文参考訳（メタデータ） (2020-07-29T10:14:11Z)
Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文参考訳（メタデータ） (2020-05-24T23:13:16Z)
COVID-19 growth prediction using multivariate long short term memory [2.588973722689844]
長期記憶(LSTM)法を用いて、時間とともに新型コロナウイルスの増殖の相関を学習する。まず、世界中から確認された症例を含むトレーニングデータをトレーニングした。リカレントニューラルネットワーク(RNN)法と同等の低い検証誤差で比較して,良好な性能を示した。
論文参考訳（メタデータ） (2020-05-10T23:21:19Z)

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。