論文の概要: STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization
- arxiv url: http://arxiv.org/abs/2012.04747v2
- Date: Wed, 17 Mar 2021 21:47:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 23:51:10.045071
- Title: STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization
- Title(参考訳): STELAR : 潜伏した疫学的規則化を伴う時空間的テンソル因子化
- Authors: Nikos Kargas, Cheng Qian, Nicholas D. Sidiropoulos, Cao Xiao, Lucas M.
Glass, Jimeng Sun
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 76.57716281104938
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate prediction of the transmission of epidemic diseases such as COVID-19
is crucial for implementing effective mitigation measures. In this work, we
develop a tensor method to predict the evolution of epidemic trends for many
regions simultaneously. We construct a 3-way spatio-temporal tensor (location,
attribute, time) of case counts and propose a nonnegative tensor factorization
with latent epidemiological model regularization named STELAR. Unlike standard
tensor factorization methods which cannot predict slabs ahead, STELAR enables
long-term prediction by incorporating latent temporal regularization through a
system of discrete-time difference equations of a widely adopted
epidemiological model. We use latent instead of location/attribute-level
epidemiological dynamics to capture common epidemic profile sub-types and
improve collaborative learning and prediction. We conduct experiments using
both county- and state-level COVID-19 data and show that our model can identify
interesting latent patterns of the epidemic. Finally, we evaluate the
predictive ability of our method and show superior performance compared to the
baselines, achieving up to 21% lower root mean square error and 25% lower mean
absolute error for county-level prediction.
- Abstract(参考訳): 効果的な対策を講じるためには、新型コロナウイルスなどの伝染病の正確な予測が不可欠である。
本研究では,多くの地域での流行の進展を同時に予測するテンソル法を開発した。
ケースカウントの3方向時空間テンソル(位置,属性,時間)を構築し,STELARという潜在疫学モデル正規化を用いた非負のテンソル分解を提案する。
先行きのスラブを予測できない標準的なテンソル因子分解法とは異なり、ステラーは広く採用された疫学モデルの離散時間差分方程式系を通じて潜時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,共通の流行プロファイルサブタイプを捉え,協調学習と予測を改善するために,位置・属性レベルの疫学ダイナミクスの代わりに潜在性を用いている。
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す。
最後に,提案手法の予測能力を評価し,基準値よりも優れた性能を示し,最大21%のルート平均二乗誤差,25%の絶対誤差を郡レベルの予測で達成した。
関連論文リスト
- Conditional Score-Based Diffusion Model for Cortical Thickness
Trajectory Prediction [29.415616701032604]
アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。
与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。
本モデルでは6~36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
論文 参考訳(メタデータ) (2024-03-11T17:26:18Z) - Data Attribution for Diffusion Models: Timestep-induced Bias in
Influence Estimation [58.20016784231991]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。
本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。
そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文 参考訳(メタデータ) (2024-01-17T07:58:18Z) - Modeling and Predicting Epidemic Spread: A Gaussian Process Regression
Approach [0.805635934199494]
本稿では,流行のモデル化と予測のためのガウス過程回帰に基づく新しい手法を提案する。
本研究では、流行データの影響を定量化する予測のばらつきに縛られた新しい手法を開発する。
流行の広がり、感染データ、予測地平線の長さが、この誤差にどのように影響するかを定量化する。
論文 参考訳(メタデータ) (2023-12-14T22:45:01Z) - 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) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳(メタデータ) (2021-06-07T18:31:47Z) - 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) - 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) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - 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) - 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)
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。