論文の概要: Forecasting Black Sigatoka Infection Risks with Latent Neural ODEs
- arxiv url: http://arxiv.org/abs/2012.00752v2
- Date: Sun, 10 Jan 2021 06:21:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-30 22:27:33.182552
- Title: Forecasting Black Sigatoka Infection Risks with Latent Neural ODEs
- Title（参考訳）: 潜伏型ニューラルネットワークによる黒色シガトカ感染リスク予測
- Authors: Yuchen Wang, Matthieu Chan Chee, Ziyad Edher, Minh Duc Hoang, Shion
Fujimori, Sornnujah Kathirgamanathan, Jesse Bettencourt
- Abstract要約: ブラックシガトカ病は世界的なバナナ生産を著しく減少させる。
発展途上国の農家はバナナの収穫量に大きな損失に直面している。
我々は,黒色シガトカ感染のダイナミクスをモデル化したニューラルネットワークであるMR.NODEを提案する。
- 参考スコア（独自算出の注目度）: 5.483149401688839
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Black Sigatoka disease severely decreases global banana production, and
climate change aggravates the problem by altering fungal species distributions.
Due to the heavy financial burden of managing this infectious disease, farmers
in developing countries face significant banana crop losses. Though scientists
have produced mathematical models of infectious diseases, adapting these models
to incorporate climate effects is difficult. We present MR. NODE (Multiple
predictoR Neural ODE), a neural network that models the dynamics of black
Sigatoka infection learnt directly from data via Neural Ordinary Differential
Equations. Our method encodes external predictor factors into the latent space
in addition to the variable that we infer, and it can also predict the
infection risk at an arbitrary point in time. Empirically, we demonstrate on
historical climate data that our method has superior generalization performance
on time points up to one month in the future and unseen irregularities. We
believe that our method can be a useful tool to control the spread of black
Sigatoka.
- Abstract（参考訳）: 黒シガトカ病は世界のバナナ生産を著しく減少させ、気候変動は菌類の分布を変えることで問題を悪化させる。
この感染症の管理に多額の財政負担がかかるため、発展途上国の農家はバナナの収穫量に大きな損失を被っている。
科学者は感染症の数学的モデルを作成したが、これらのモデルに気候効果を取り込むことは困難である。
我々は,ニューラルネットワークであるMR.NODE(Multiple predictoR Neural ODE)を,ニューラル正規微分方程式(Neural Ordinary Differential Equations)によるデータから直接学習した黒色シガトカ感染の動態をモデル化する。
提案手法は,我々が推定する変数に加えて,外部予測因子を潜在空間にエンコードし,任意の時点における感染リスクを予測できる。
実証的に,過去の気候データから,本手法が将来1ヶ月までの時間点の一般化性能に優れ,目立たない不規則性があることを実証する。
我々は,この手法が黒色シガトカの拡散を制御するための有用なツールであると考えている。
関連論文リスト
- Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting
Epidemics [2.705025060422369]
感染性疾患は、世界中でヒトの病気や死亡の原因となっている。
感染拡大の予測は、利害関係者が目の前の状況に対処するのに役立つ。
論文 参考訳（メタデータ） (2022-06-21T19:31:25Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - An integrated recurrent neural network and regression model with spatial
and climatic couplings for vector-borne disease dynamics [4.254099382808598]
本研究は,病原性疾患の進展に対するニューラルネットワークと非線形回帰モデルを構築した。
我々は、気候データの季節性や、昆虫(ハエなど)と相関する外部要因として、また、関心のある地域を囲む近隣地域からの感染を考慮に入れている。
統合モデルは、2013年から2018年にかけてスリランカで発生したリーシュ・マニアシスデータに基づいて、神経側頭葉の降下によって訓練され、試験された。
論文 参考訳（メタデータ） (2022-01-23T23:04:58Z) - Deep learning via LSTM models for COVID-19 infection forecasting in
India [13.163271874039191]
卓越した計算モデルと数学的モデルは、感染の拡散の複雑さのために信頼性が低い。
リカレントニューラルネットワークのようなディープラーニングモデルは、時間的シーケンスをモデル化するのに適している。
感染率の面では、新型コロナウイルスのホットポットを持つ州を選択し、感染の有無やピークに達した州と比較する。
以上の結果から,他の国や地域での手法の適用を動機づける長期予測が期待されていることが示唆された。
論文 参考訳（メタデータ） (2021-01-28T09:19:10Z) - 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) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳（メタデータ） (2020-10-28T10:58:59Z) - OutbreakFlow: Model-based Bayesian inference of disease outbreak
dynamics with invertible neural networks and its application to the COVID-19
pandemics in Germany [0.19791587637442667]
専門的なニューラルネットワークを用いた疫学モデリングの新たな組み合わせを提案する。
我々は, 発生時間, 未検出感染数, 症状発症前の感染可能性, および, 非常に適度な量の実世界の観測による遅延の報告など, 重要な疾患特性に関する信頼性の高い確率推定値を得ることができる。
論文 参考訳（メタデータ） (2020-10-01T11:01:49Z) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z) - 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) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。