論文の概要: Semi-supervised Neural Networks solve an inverse problem for modeling Covid-19 spread

• arxiv url: http://arxiv.org/abs/2010.05074v1
• Date: Sat, 10 Oct 2020 19:33:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-10-08 22:45:55.940021
• Title: Semi-supervised Neural Networks solve an inverse problem for modeling Covid-19 spread
• Title（参考訳）: Covid-19の拡散をモデル化する逆問題に対する半教師付きニューラルネットワークの解法
• Authors: Alessandro Paticchio, Tommaso Scarlatti, Marios Mattheakis, Pavlos Protopapas, Marco Brambilla
• Abstract要約: 半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。 我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
• 参考スコア（独自算出の注目度）: 61.9008166652035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Studying the dynamics of COVID-19 is of paramount importance to understanding the efficiency of restrictive measures and develop strategies to defend against upcoming contagion waves. In this work, we study the spread of COVID-19 using a semi-supervised neural network and assuming a passive part of the population remains isolated from the virus dynamics. We start with an unsupervised neural network that learns solutions of differential equations for different modeling parameters and initial conditions. A supervised method then solves the inverse problem by estimating the optimal conditions that generate functions to fit the data for those infected by, recovered from, and deceased due to COVID-19. This semi-supervised approach incorporates real data to determine the evolution of the spread, the passive population, and the basic reproduction number for different countries.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)のダイナミクスを研究することは、規制措置の効率性を理解し、今後の感染波から守るための戦略を開発する上で非常に重要である。 本研究では,半教師付きニューラルネットワークを用いてcovid-19の拡散を調査し,その集団の受動的一部がウイルスの動態から孤立していると仮定する。 まず、異なるモデリングパラメータと初期条件に対する微分方程式の解を学習する教師なしニューラルネットワークから始める。 次に、covid-19による感染、回復、および死亡者のデータに適合する機能を生成する最適条件を推定し、逆問題を解く。 この半教師付きアプローチは、拡散の進化、受動的人口、および各国の基本的な再生数を決定するために、実際のデータを含む。

関連論文リスト

• Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent Dynamical Systems [70.84976977950075]
  実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。 本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。 我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
  論文  参考訳（メタデータ） (2024-02-29T23:07:07Z)
• Approaching epidemiological dynamics of COVID-19 with physics-informed neural networks [23.95944607153291]
  SIRモデルに埋め込まれた物理インフォームドニューラルネットワーク(PINN)は、感染症の時間的進化のダイナミクスを理解するために考案された。 この手法はドイツで報告された新型コロナウイルス(COVID-19)のデータに適用され、ウイルスの拡散傾向を正確に把握し予測できることが示されている。
  論文  参考訳（メタデータ） (2023-02-17T10:36:58Z)
• Multi-variant COVID-19 model with heterogeneous transmission rates using deep neural networks [0.0]
  我々は,B.1.617.2デルタ変種とSARS-CoV-2の伝送特性の違いを明らかにするために,サセプティブル・エフェクト・インフェクト・インフェクト・リカバード数学モデルを開発した。 ディープニューラルネットワークを利用し、深層学習アルゴリズムを開発し、各変種に対する時間変化の不均一伝送速度を学習する。
  論文  参考訳（メタデータ） (2022-05-13T18:02:38Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Predicting the spread of COVID-19 in Delhi, India using Deep Residual Recurrent Neural Networks [0.0]
  The dynamics of COVID 19 were extracted using Convolutional Neural Networks and Deep Residual Recurrent Neural Networks。 DRRNNs COVID-19予測モデルは、正確な新型コロナウイルス予測を持っていることが示されている。
  論文  参考訳（メタデータ） (2021-10-09T19:16:36Z)
• 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)
• And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
  ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。 そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。 MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-15T08:19:05Z)
• End-2-End COVID-19 Detection from Breath & Cough Audio [68.41471917650571]
  クラウドソースのオーディオサンプルからエンドツーエンドのディープラーニングを使用してCOVID-19を診断する最初の試みを実証します。 本研究では, 人工深層ニューラルネットワークを用いて, 人工呼吸器から新型コロナを診断する新しいモデル戦略を提案する。
  論文  参考訳（メタデータ） (2021-01-07T01:13:00Z)
• 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)

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。