Fugu-MT 論文翻訳(概要): Using Data Science to monitor the pandemic with a single number: the Synthetic COVID Index

論文の概要: Using Data Science to monitor the pandemic with a single number: the Synthetic COVID Index

arxiv url: http://arxiv.org/abs/2101.02013v3
Date: Sat, 9 Jan 2021 16:48:30 GMT
ステータス: 処理完了
システム内更新日: 2023-04-20 02:28:20.710289
Title: Using Data Science to monitor the pandemic with a single number: the Synthetic COVID Index
Title（参考訳）: データサイエンスを使って1つの数字でパンデミックをモニタリングするSynthetic COVID Index
Authors: Raffaele Zenti
Abstract要約: 新型コロナウイルスのパンデミックはSARSCoV-2の影響を受けた地域の様々なレベルで対処されている。このインデックスは、測定エラーを含むデータに存在する潜伏変数の識別に焦点を当てている。イタリアの場合への応用は、インデックスが状況の簡潔な表現を提供する方法を示している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Rapid and affordable methods of summarizing the multitude of data relating to the pandemic can be useful to health authorities and policy makers who are dealing with the COVID-19 pandemic at various levels in the territories affected by SARSCoV-2. This is the goal of the Synthetic COVID Index, an index based on an ensemble of Unsupervised Machine Learning techniques which focuses on the identification of a latent variable present in data that contains measurement errors. This estimated latent variable can be interpreted as "the strength of the pandemic". An application to the Italian case shows how the index is able to provide a concise representation of the situation.
Abstract（参考訳）: SARSCoV-2の影響を受けた地域において、新型コロナウイルスの感染拡大に対処している保健当局や政策立案者にとって、迅速かつ手ごろなデータ要約方法が有用である。これは、計測エラーを含むデータに存在する潜伏変数の識別に焦点を当てた、教師なし機械学習技術のアンサンブルに基づくインデックスであるSynthetic COVID Indexの目標である。この推定潜在変数は「パンデミックの強さ」と解釈できる。イタリアのケースへのアプリケーションは、インデックスが状況の簡潔な表現を提供する方法を示しています。

関連論文リスト

FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
論文参考訳（メタデータ） (2024-07-11T19:12:23Z)
Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
論文参考訳（メタデータ） (2024-06-04T16:31:43Z)
XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文参考訳（メタデータ） (2023-12-29T14:28:04Z)
Interpretable Causal Inference for Analyzing Wearable, Sensor, and Distributional Data [62.56890808004615]
本研究では,信頼性とロバストな意思決定を確実にする,分散データ解析の解釈可能な手法を開発した。 ADD MALTSの有用性について,糖尿病リスク軽減のための連続グルコースモニターの有効性について検討した。
論文参考訳（メタデータ） (2023-12-17T00:42:42Z)
T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
論文参考訳（メタデータ） (2023-02-24T13:30:35Z)
Multimodal Explainability via Latent Shift applied to COVID-19 stratification [0.7831774233149619]
本稿では,モダリティの再構築とサンプル分類を共同で学習するディープアーキテクチャを提案する。 AIforCOVIDデータセットを使用して、COVID-19パンデミックの文脈でのアプローチを検証する。
論文参考訳（メタデータ） (2022-12-28T20:07:43Z)
Adversarial Learning-based Stance Classifier for COVID-19-related Health Policies [14.558584240713154]
本研究では、新型コロナウイルス関連健康政策に対する公衆の態度を自動的に識別する対人学習に基づくスタンス分類器を提案する。モデルをより深く理解するために、モデルに外部知識としてポリシー記述を組み込む。新型コロナウイルス関連健康政策のスタンス検出タスクにおいて,幅広い基準線の性能を評価する。
論文参考訳（メタデータ） (2022-09-10T10:27:21Z)
Combining Graph Neural Networks and Spatio-temporal Disease Models to Predict COVID-19 Cases in Germany [0.0]
いくつかの専門家は、新型コロナウイルスの拡散を説明するために人間の移動性を考慮する必要性を求めた。ほとんどの統計モデルや疫学モデルでは、人間の移動性を符号化するデータを含む非構造化データソースを直接組み込むことはできない。本稿では,両研究方向のトレードオフを提案し,統計回帰モデルと機械学習モデルの利点を組み合わせた新しい学習手法を提案する。
論文参考訳（メタデータ） (2021-01-03T16:39:00Z)
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)
Statistical Analytics and Regional Representation Learning for COVID-19 Pandemic Understanding [4.731074162093199]
新型コロナウイルスの感染拡大が世界のほぼすべての国に深刻な影響を与えている。本稿では、統一された情報ソースを提供するために、公開データセットの広範なコレクションを統合し、処理する。本研究では,予測イベントモデリングのために,DoubleWindowLSTM-CPと呼ばれる特定のRNNベースの推論パイプラインを提案する。
論文参考訳（メタデータ） (2020-08-08T03:35:16Z)

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。