Fugu-MT 論文翻訳(概要): Spatial-Temporal Convolutional Network for Spread Prediction of COVID-19

論文の概要: Spatial-Temporal Convolutional Network for Spread Prediction of COVID-19

arxiv url: http://arxiv.org/abs/2101.05304v1
Date: Sun, 27 Dec 2020 09:00:17 GMT
ステータス: 処理完了
システム内更新日: 2021-04-24 23:18:04.032243
Title: Spatial-Temporal Convolutional Network for Spread Prediction of COVID-19
Title（参考訳）: 感染拡大予測のための空間-時間畳み込みネットワーク
Authors: Ravid Shwartz-Ziv, Itamar Ben Ari and Amitai Armon
Abstract要約: 本稿では,地域別covid-19関連症状の予測のための空間-時間的畳み込みニューラルネットワークを提案する。本モデルはイスラエルに分布する全国症状調査に基づいており,各地域の症状を毎日予測できる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work we present a spatial-temporal convolutional neural network for predicting future COVID-19 related symptoms severity among a population, per region, given its past reported symptoms. This can help approximate the number of future Covid-19 patients in each region, thus enabling a faster response, e.g., preparing the local hospital or declaring a local lockdown where necessary. Our model is based on a national symptom survey distributed in Israel and can predict symptoms severity for different regions daily. The model includes two main parts - (1) learned region-based survey responders profiles used for aggregating questionnaires data into features (2) Spatial-Temporal 3D convolutional neural network which uses the above features to predict symptoms progression.
Abstract（参考訳）: 本研究では,過去報告された症状を考慮に入れた地域別covid-19関連症状予測のための空間-時間的畳み込みニューラルネットワークを提案する。これにより、各地域における将来のCovid-19患者の数を近似することができ、例えば、地元の病院を準備したり、必要に応じて局所的なロックダウンを宣言したりといったより迅速な対応が可能になる。本モデルは,イスラエルに分布する全国的症状調査に基づいて,毎日各地域で症状の重症度を予測する。モデルには,(1)学習領域ベースアンケート応答者プロファイルと(2)症状進行予測のための空間-時間的3次元畳み込みニューラルネットワークの2つの主成分が含まれている。

関連論文リスト

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)
Predicting COVID-19 Spread from Large-Scale Mobility Data [22.55034017418318]
将来のケースナンバーのほぼリアルタイム予測には、人間の移動性がある。本稿では,モビリティマークホークスモデルと呼ばれる,モビリティデータに基づく流行予測の新しいモデルを提案する。私たちの研究は、通信データから新型コロナウイルスの感染拡大を予測する最初のものです。
論文参考訳（メタデータ） (2021-06-01T10:05:02Z)
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)
Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文参考訳（メタデータ） (2021-04-28T15:32:42Z)
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)
Semi-supervised Neural Networks solve an inverse problem for modeling Covid-19 spread [61.9008166652035]
半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
論文参考訳（メタデータ） (2020-10-10T19:33:53Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
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)
Convolutional Neural Networks for Epileptic Seizure Prediction [0.13192560874022083]
発作予測のための頭蓋内脳波(iEEG)の分類法について検討した。従来のアプローチとは対照的に、手作りの特徴の抽出を分類的に控える。 4匹の犬と3人の患者の長期記録を含む3つの異なるモデルが公開データセットで評価されている。
論文参考訳（メタデータ） (2018-11-02T15:09:18Z)

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。