Fugu-MT 論文翻訳(概要): Inter-Series Attention Model for COVID-19 Forecasting

論文の概要: Inter-Series Attention Model for COVID-19 Forecasting

arxiv url: http://arxiv.org/abs/2010.13006v2
Date: Mon, 5 Apr 2021 20:53:55 GMT
ステータス: 処理完了
システム内更新日: 2022-10-03 04:21:58.880599
Title: Inter-Series Attention Model for COVID-19 Forecasting
Title（参考訳）: 新型コロナウイルスの予測のためのシリーズ間アテンションモデル
Authors: Xiaoyong Jin, Yu-Xiang Wang, Xifeng Yan
Abstract要約: 我々は、複数の領域から得られた時系列のパターンを比較して予測を行う、Attention Crossing Time Series (textbfACTS)と呼ばれる新しいニューラル予測モデルを開発した。新たに確認された症例、入院、死亡の予測を含む18件中13件の検査のうち、textbfACTSはCDCが強調した主要な新型コロナウイルス(COVID-19)の予測を上回っている。
参考スコア（独自算出の注目度）: 23.58411106491221
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: COVID-19 pandemic has an unprecedented impact all over the world since early 2020. During this public health crisis, reliable forecasting of the disease becomes critical for resource allocation and administrative planning. The results from compartmental models such as SIR and SEIR are popularly referred by CDC and news media. With more and more COVID-19 data becoming available, we examine the following question: Can a direct data-driven approach without modeling the disease spreading dynamics outperform the well referred compartmental models and their variants? In this paper, we show the possibility. It is observed that as COVID-19 spreads at different speed and scale in different geographic regions, it is highly likely that similar progression patterns are shared among these regions within different time periods. This intuition lead us to develop a new neural forecasting model, called Attention Crossing Time Series (\textbf{ACTS}), that makes forecasts via comparing patterns across time series obtained from multiple regions. The attention mechanism originally developed for natural language processing can be leveraged and generalized to materialize this idea. Among 13 out of 18 testings including forecasting newly confirmed cases, hospitalizations and deaths, \textbf{ACTS} outperforms all the leading COVID-19 forecasters highlighted by CDC.
Abstract（参考訳）: 新型コロナウイルスのパンデミックは、2020年初め以来、世界中で前例のない影響を与えている。この公衆衛生危機の間、資源配分と管理計画において、病気の信頼できる予測が重要となる。 SIRやSEIRといったコンパートメンタルモデルの結果は、CDCやニュースメディアによって広く言及されている。病気を拡散するダイナミックスをモデル化せずに直接データ駆動アプローチは、よく知られたコンパートメンタルモデルとその変種よりも優れていますか? 本稿では,その可能性を示す。異なる地理的領域で異なる速度とスケールで新型コロナウイルスが拡散するにつれて、異なる期間内で同様の進展パターンが共有される可能性が非常に高いことが観察されている。この直感によって、複数の領域から得られた時系列のパターンを比較して予測を行う、Attention Crossing Time Series (\textbf{ACTS})と呼ばれる新しいニューラル予測モデルが開発されました。元々自然言語処理のために開発された注意機構は、このアイデアを実現するために活用され、一般化することができる。新たに確認された症例、入院、死亡の予測を含む18件中13件のうち、‘textbf{ACTS} はCDCが強調した主要なCOVID-19予報者全てを上回っている。

関連論文リスト

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)
Temporal Deep Learning Architecture for Prediction of COVID-19 Cases in India [1.7969777786551424]
最近、新型コロナウイルスの拡散のダイナミックな傾向を理解するために、新しい機械学習アプローチが使用されている。我々は、バニラLSTM、積み重ねLSTM、ED-LSTM、Bi-LSTM、CNN、ハイブリッドCNN+LSTMモデルという、繰り返しおよび畳み込みニューラルネットワークモデルを設計した。その結果,積み重ね型LSTMとハイブリッド型CNN+LSTMは,他のモデルと比較して高い性能を示した。
論文参考訳（メタデータ） (2021-08-31T13:28:51Z)
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)
Modeling the geospatial evolution of COVID-19 using spatio-temporal convolutional sequence-to-sequence neural networks [48.7576911714538]
ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
論文参考訳（メタデータ） (2021-05-06T15:24:00Z)
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)
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)
Examining Deep Learning Models with Multiple Data Sources for COVID-19 Forecasting [10.052302234274256]
COVID-19予測のためのディープラーニングモデルの設計と分析を行う。新型コロナウイルス(COVID-19)や死亡例数などの複数のソースが、より良い予測のためにデータとテストデータを数えている。時間的予測のためのクラスタリングに基づくトレーニングを提案する。
論文参考訳（メタデータ） (2020-10-27T17:52:02Z)
A Recurrent Neural Network and Differential Equation Based Spatiotemporal Infectious Disease Model with Application to COVID-19 [3.464871689508835]
我々は、ディファレンス微分方程式(SIR)とリカレントニューラルネットワーク(RNN)に基づく統合疾患モデルを開発する。イタリアのCO-19データをトレーニングし,既存の時間モデル(NN,SIR,ARIMA)を1日,3日,1週間の予測で上回っていることを示す。
論文参考訳（メタデータ） (2020-07-14T07:04:57Z)
Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文参考訳（メタデータ） (2020-06-05T02:04:25Z)
When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文参考訳（メタデータ） (2020-05-13T18:21:50Z)
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。