論文の概要: Whom to Test? Active Sampling Strategies for Managing COVID-19
- arxiv url: http://arxiv.org/abs/2012.13483v1
- Date: Fri, 25 Dec 2020 02:04:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 07:04:34.248529
- Title: Whom to Test? Active Sampling Strategies for Managing COVID-19
- Title（参考訳）: 誰がテストする?
アクティブサンプリングによる新型コロナウイルス対策
- Authors: Yingfei Wang, Inbal Yahav, Balaji Padmanabhan
- Abstract要約: 本稿では、新型コロナウイルスなどのパンデミック時に感染を検査する個人を選択する方法を提案する。
ここで提示されるスマートテストのアイデアは、機械学習におけるアクティブラーニングとマルチアームバンディット技術によって動機付けられている。
- 参考スコア（独自算出の注目度）: 1.4610038284393163
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents methods to choose individuals to test for infection
during a pandemic such as COVID-19, characterized by high contagion and
presence of asymptomatic carriers. The smart-testing ideas presented here are
motivated by active learning and multi-armed bandit techniques in machine
learning. Our active sampling method works in conjunction with quarantine
policies, can handle different objectives, is dynamic and adaptive in the sense
that it continually adapts to changes in real-time data. The bandit algorithm
uses contact tracing, location-based sampling and random sampling in order to
select specific individuals to test. Using a data-driven agent-based model
simulating New York City we show that the algorithm samples individuals to test
in a manner that rapidly traces infected individuals. Experiments also suggest
that smart-testing can significantly reduce the death rates as compared to
current methods such as testing symptomatic individuals with or without contact
tracing.
- Abstract（参考訳）: 本稿では,感染率が高く,非感染性キャリアーの存在を特徴とする,新型コロナウイルスなどのパンデミックの感染検査を行う個人を選択する方法を提案する。
ここで提示されるスマートテストのアイデアは、機械学習におけるアクティブラーニングとマルチアームバンディット技術によって動機付けられている。
アクティブサンプリング手法は, 検疫方針と連動して動作し, 異なる目的を処理でき, 動的かつ適応的であり, リアルタイムデータの変化に継続的に適応する。
Banditアルゴリズムは、接触追跡、位置に基づくサンプリング、ランダムサンプリングを使用して、テスト対象の特定の個人を選択する。
ニューヨーク市をシミュレートするデータ駆動型エージェントベースモデルを用いて、このアルゴリズムは感染した個人を迅速に追跡する方法で個人を検査する。
また、スマートテストは、接触追跡の有無に関わらず症状の個人をテストする現在の方法と比較して、死亡率を著しく低下させる可能性も示唆している。
関連論文リスト
- TTAPS: Test-Time Adaption by Aligning Prototypes using Self-Supervision [70.05605071885914]
本研究では,単体テストサンプルに適用可能な自己教師付きトレーニングアルゴリズムSwaVの新たな改良を提案する。
ベンチマークデータセットCIFAR10-Cにおいて,本手法の有効性を示す。
論文 参考訳（メタデータ） (2022-05-18T05:43:06Z) - ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。
本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
論文 参考訳（メタデータ） (2022-05-10T15:39:11Z) - Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。
信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。
また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
論文 参考訳（メタデータ） (2022-04-06T06:39:40Z) - Model-agnostic out-of-distribution detection using combined statistical
tests [15.27980070479021]
本稿では,学習された生成モデルを用いた分布外検出のための簡易な手法を提案する。
古典的パラメトリックテスト(ラオのスコアテスト)と最近導入された定性テストを組み合わせる。
その単純さと汎用性にもかかわらず、これらの手法はモデル固有のアウト・オブ・ディストリビューション検出アルゴリズムと競合することがある。
論文 参考訳（メタデータ） (2022-03-02T13:32:09Z) - Saliency Grafting: Innocuous Attribution-Guided Mixup with Calibrated
Label Mixing [104.630875328668]
ミックスアップスキームは、強化されたトレーニングサンプルを作成するために、サンプルのペアを混ぜることを提案する。
両世界のベストを捉えた、斬新だがシンプルなミックスアップ版を提示する。
論文 参考訳（メタデータ） (2021-12-16T11:27:48Z) - TsFeX: Contact Tracing Model using Time Series Feature Extraction and
Gradient Boosting [0.0]
本研究は、新型コロナウイルスに感染した他人と接触した可能性がある個人を識別する自動機械学習システムを提案する。
本稿では、感染した人物に近づいたかどうかを効果的に予測する最適解モデルにたどり着く際のアプローチについて述べる。
論文 参考訳（メタデータ） (2021-11-29T11:12:38Z) - Active Learning for Deep Visual Tracking [51.5063680734122]
畳み込みニューラルネットワーク(CNN)は近年,単一目標追跡タスクに成功している。
本稿では,ディープ・ビジュアル・トラッキングのためのアクティブ・ラーニング手法を提案する。
アクティブラーニングの指導のもと、トレーニングされた深層CNNモデルに基づくトラッカーは、ラベリングコストを低減しつつ、競合的なトラッキング性能を達成することができる。
論文 参考訳（メタデータ） (2021-10-17T11:47:56Z) - Group Testing under Superspreading Dynamics [25.849716513803013]
グループテストは、確認された新型コロナウイルス患者のすべての密接な接触に対して推奨される。
そこで本研究では,Dorfman法と不完全性試験を併用した,よく知られた半適応型プールテスト法を構築し,動的プログラミングに基づく簡単なグループテスト法を導出する。
論文 参考訳（メタデータ） (2021-06-30T11:27:58Z) - Out-of-Distribution Detection in Dermatology using Input Perturbation
and Subset Scanning [5.674998177844528]
現在の皮膚疾患モデルでは、異なるハードウェアデバイスや臨床機器からの検査サンプルの誤った推測が可能である。
決定に先立って,これらのOODサンプルを簡易かつ効果的に検出する手法を提案する。
論文 参考訳（メタデータ） (2021-05-24T09:04:47Z) - Efficient and accurate group testing via Belief Propagation: an
empirical study [5.706360286474043]
グループテスト問題は効率的なプーリングスキームとアルゴリズムを要求する。
目標は感染したサンプルを正確に識別し、最小限の数の検査を行うことである。
結果の精度を大幅に向上させる新しいテスト設計を提案する。
論文 参考訳（メタデータ） (2021-05-13T10:52:46Z) - Minimax Active Learning [61.729667575374606]
アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。
現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。
我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-12-18T19:03:40Z)
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。