論文の概要: C-Watcher: A Framework for Early Detection of High-Risk Neighborhoods Ahead of COVID-19 Outbreak

• arxiv url: http://arxiv.org/abs/2012.12169v3
• Date: Thu, 4 Mar 2021 19:02:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:43:19.511120
• Title: C-Watcher: A Framework for Early Detection of High-Risk Neighborhoods Ahead of COVID-19 Outbreak
• Title（参考訳）: c-watcher:covid-19流行に先立ってリスクの高い地域を早期発見するためのフレームワーク
• Authors: Congxi Xiao, Jingbo Zhou, Jizhou Huang, An Zhuo, Ji Liu, Haoyi Xiong, Dejing Dou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 54.39837683016444
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The novel coronavirus disease (COVID-19) has crushed daily routines and is still rampaging through the world. Existing solution for nonpharmaceutical interventions usually needs to timely and precisely select a subset of residential urban areas for containment or even quarantine, where the spatial distribution of confirmed cases has been considered as a key criterion for the subset selection. While such containment measure has successfully stopped or slowed down the spread of COVID-19 in some countries, it is criticized for being inefficient or ineffective, as the statistics of confirmed cases are usually time-delayed and coarse-grained. To tackle the issues, we propose C-Watcher, a novel data-driven framework that aims at screening every neighborhood in a target city and predicting infection risks, prior to the spread of COVID-19 from epicenters to the city. In terms of design, C-Watcher collects large-scale long-term human mobility data from Baidu Maps, then characterizes every residential neighborhood in the city using a set of features based on urban mobility patterns. Furthermore, to transfer the firsthand knowledge (witted in epicenters) to the target city before local outbreaks, we adopt a novel adversarial encoder framework to learn "city-invariant" representations from the mobility-related features for precise early detection of high-risk neighborhoods, even before any confirmed cases known, in the target city. We carried out extensive experiments on C-Watcher using the real-data records in the early stage of COVID-19 outbreaks, where the results demonstrate the efficiency and effectiveness of C-Watcher for early detection of high-risk neighborhoods from a large number of cities.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)は日常的に流行し、いまだに世界中に波及している。 非薬剤的介入のための既存の解決策は、通常、住宅地の一部分を適時かつ正確に選択して封じ込めたり隔離したりすることが必要であり、そこでは、特定された症例の空間分布が、部分集合選択の重要な基準とされてきた。 このような封じ込め措置は、一部の国では新型コロナウイルスの感染拡大を食い止めたり減速させたりしているものの、確認された症例の統計はたいてい時間的に遅延し、粗粒化しているため、非効率あるいは非効率であると批判されている。 この課題に対処するため,C-Watcherという新たなデータ駆動型フレームワークを提案する。C-Watcherは,新型コロナウイルスの流行に先立ち,対象都市の各地区をスクリーニングし,感染リスクを予測する。 デザイン面では、C-WatcherはBaidu Mapsから大規模な人間の移動データを収集し、都市の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。 さらに, 地域発生前に, 自発的な知識を対象都市に移すため, 対象都市において特定された事例が判明する以前にも, モビリティ関連特徴から「都市不変」表現を学習し, 高リスク地域を正確に早期に検出するための新しい敵対的エンコーダフレームワークを採用する。 新型コロナウイルス(covid-19)流行の初期段階において,実データ記録を用いたc-watcherの広範な実験を行い,多数の都市から高リスク地区を早期に検出するためのc-watcherの効率性と有効性を示した。

関連論文リスト

• Early Detection of Critical Urban Events using Mobile Phone Network Data [1.215595725505415]
  ネットワークシグナリングデータ(NSD)は、個人による携帯電話サービスに関する継続的な時間情報を提供する可能性がある。 NSDは、火災、大事故、スタンプ、テロ攻撃、スポーツやレジャーの集まりなど、重要な都市イベントの早期発見を可能にする。 本稿では,高度NSDが交通サービス消費の異常を検出できるという実証的証拠を提示する。
  論文  参考訳（メタデータ） (2024-05-29T14:31:39Z)
• 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)
• Spatial-Temporal Hypergraph Self-Supervised Learning for Crime Prediction [60.508960752148454]
  本研究では,犯罪予測におけるラベル不足問題に対処する空間的ハイパーグラフ自己監視学習フレームワークを提案する。 都市空間全体における犯罪の地域的依存性をエンコードするクロスリージョンハイパーグラフ構造学習を提案する。 また,2段階の自己指導型学習パラダイムを設計し,局所的・世界的空間的犯罪パターンを共同で捉えるだけでなく,地域的自己差別の強化による疎犯罪表現を補う。
  論文  参考訳（メタデータ） (2022-04-18T23:46:01Z)
• 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)
• Towards Accurate Spatiotemporal COVID-19 Risk Scores using High Resolution Real-World Mobility Data [15.302926747159557]
  比較的細かい空間的および時間的リスクスコアを割り当てるHawkesプロセスベースの技術を開発する。 位置密度と移動行動に基づくリスクスコアの開発に重点を置いている。 以上の結果から,高分解能モビリティデータに基づく細粒度リスクスコアは,有用な洞察を提供し,安全に再オープンできることが示された。
  論文  参考訳（メタデータ） (2020-12-14T06:31:28Z)
• Effectiveness and Compliance to Social Distancing During COVID-19 [72.94965109944707]
  われわれは、米国内での新型コロナウイルスの感染拡大に対する在宅勤務注文の影響を評価するために、詳細なモビリティデータを用いている。 一方向性グランガー因果性(一方向性グランガー因果性)は、家庭で毎日過ごす時間の割合の中央値から、2週間の遅れを伴うCOVID-19関連死亡件数の日数までである。
  論文  参考訳（メタデータ） (2020-06-23T03:36:19Z)
• An Unsupervised Machine Learning Approach to Assess the ZIP Code Level Impact of COVID-19 in NYC [0.11083289076967892]
  ニューヨークは新型コロナウイルスのパンデミックの世界的な中心地と認識されている。 ニューヨーク市における新型コロナウイルスの新規感染者の増加率と高い相関関係にある重要な要因を明らかにするために,教師なし機械学習フレームワークを提案する。 同様の人口統計,社会経済,移動パターンを持つZIPコード領域が同様のアウトブレイクを経験する可能性が高いという仮定に基づいて,クラスタリングを行う上で最も関連性の高い特徴を選択し,それらを9つの解釈可能なカテゴリに分類する。
  論文  参考訳（メタデータ） (2020-06-11T03:21:56Z)
• Give more data, awareness and control to individual citizens, and they will help COVID-19 containment [74.10257867142049]
  連絡先追跡アプリは、多くの国で大規模採用が提案されている。 中央集権的なアプローチは、市民のプライバシーと不必要に強力なデジタル監視に対する懸念を提起する。 我々は、個人の「個人データストア」にのみ連絡先と位置情報を収集する分散的アプローチを提唱する。
  論文  参考訳（メタデータ） (2020-04-10T20:30:37Z)

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。