論文の概要: Estimating County-Level COVID-19 Exponential Growth Rates Using Generalized Random Forests

• arxiv url: http://arxiv.org/abs/2011.01219v4
• Date: Sat, 14 Nov 2020 17:22:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 05:12:42.538233
• Title: Estimating County-Level COVID-19 Exponential Growth Rates Using Generalized Random Forests
• Title（参考訳）: 一般ランダム林を用いた郡レベルCOVID-19指数成長率の推定
• Authors: Zhaowei She, Zilong Wang, Turgay Ayer, Asmae Toumi, Jagpreet Chhatwal
• Abstract要約: アウトブレイク検出における現実的な課題は、精度と速度のバランスをとることである。 本稿では、一般化ランダム森林(GRF)を用いて、このトレードオフのバランスをとるための機械学習フレームワークを提案する。 アルゴリズムは、病気の拡大に影響を与える関連する特徴に基づいて、各郡に適応的な嵌合窓のサイズを選択する。 実験結果から, 新型コロナウイルス感染拡大前の7日間の症例数予測において, 適応しないウィンドウサイズ選択よりも優れた結果が得られた。
• 参考スコア（独自算出の注目度）: 2.1379208289090594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid and accurate detection of community outbreaks is critical to address the threat of resurgent waves of COVID-19. A practical challenge in outbreak detection is balancing accuracy vs. speed. In particular, while estimation accuracy improves with longer fitting windows, speed degrades. This paper presents a machine learning framework to balance this tradeoff using generalized random forests (GRF), and applies it to detect county level COVID-19 outbreaks. This algorithm chooses an adaptive fitting window size for each county based on relevant features affecting the disease spread, such as changes in social distancing policies. Experiment results show that our method outperforms any non-adaptive window size choices in 7-day ahead COVID-19 outbreak case number predictions.
• Abstract（参考訳）: コミュニティアウトブレイクの迅速かつ正確な検出は、covid-19の復活波の脅威に対処するために不可欠である。 アウトブレイク検出の実際的な課題は、精度と速度のバランスである。 特に、より長い嵌合窓で推定精度が向上する一方、速度は低下する。 本稿では,一般化ランダム林(grf)を用いて,このトレードオフのバランスをとるための機械学習フレームワークを提案する。 本アルゴリズムは, 地域ごとの適応窓の大きさを, 社会的分散政策の変化など, 感染拡大に影響を及ぼす特徴に基づいて選択する。 実験の結果,本手法は7日間のcovid-19感染者数予測において,非適応ウィンドウサイズ選択よりも優れていた。

関連論文リスト

• Small Area Estimation of Case Growths for Timely COVID-19 Outbreak Detection [4.478818286947472]
  新型コロナウイルス(COVID-19)のパンデミックは世界経済に大きな影響を与え、人間の生活に大きな被害を与え続けている。 新型コロナウイルス(COVID-19)の感染拡大率は、流行の回復の効果的な検出と封じ込めを見積り、監視するための重要な疫学的パラメータである。 成長速度の推定とそれによるアウトブレイク検出における根本的な課題は、精度と速度のトレードオフのバランスにある。 我々は、この精度と速度のトレードオフをバランスさせる、Transfer Learning Generalized Random Forest (TLGRF)と呼ばれる機械学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-07T07:53:00Z)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• 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)
• 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)
• Gaussian Process Nowcasting: Application to COVID-19 Mortality Reporting [2.8712862578745018]
  計測過程の遅延による信号の観測の更新は、信号処理において一般的な問題である。 本稿では,報告時間遅延面に存在する自己相関構造の変化を記述可能な潜在ガウス過程を用いた柔軟なアプローチを提案する。 このアプローチは、現在予測されている死者数に対する不確実性の堅牢な推定も生み出す。
  論文  参考訳（メタデータ） (2021-02-22T18:32:44Z)
• Comparative Analysis of Machine Learning Approaches to Analyze and Predict the Covid-19 Outbreak [10.307715136465056]
  疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。 これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
  論文  参考訳（メタデータ） (2021-02-11T11:57:33Z)
• C-Watcher: A Framework for Early Detection of High-Risk Neighborhoods Ahead of COVID-19 Outbreak [54.39837683016444]
  C-Watcherは、新型コロナウイルスの感染拡大に先立ち、対象都市のすべての地区を検査し、感染リスクを予測することを目指している。 C-WatcherはBaidu Mapsから大規模な人体移動データを収集し、都市移動パターンに基づいた一連の特徴を用いて市内のすべての住宅地区を特徴付ける。 新型コロナウイルスの感染拡大の初期段階における実データ記録を用いたC-Watcherの広範な実験を行った。
  論文  参考訳（メタデータ） (2020-12-22T17:02:54Z)
• 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)

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。