論文の概要: Learning from pandemics: using extraordinary events can improve disease
now-casting models
- arxiv url: http://arxiv.org/abs/2101.06774v1
- Date: Sun, 17 Jan 2021 20:36:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 22:22:19.961511
- Title: Learning from pandemics: using extraordinary events can improve disease
now-casting models
- Title（参考訳）: パンデミックから学ぶ: 異常な出来事を駆使して病気の流行モデルを改善する
- Authors: Sara Mesquita, Cl\'audio Haupt Vieira, L\'ilia Perfeito and Joana
Gon\c{c}alves-S\'a
- Abstract要約: 恐怖や好奇心、その他多くの理由は、個人が健康関連情報を検索し、疾患による検索を隠蔽する可能性がある。
本稿では,21世紀の2つのパンデミック(2009-H1N1fluとCovid-19)に注目し,一般情報検索に関連する検索パターンを識別する手法を提案する。
このようなパンデミック期から学習することで,不安感やメディアの誇大広告によって,オンライン検索を選択し,モデル性能を向上させることが可能であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online searches have been used to study different health-related behaviours,
including monitoring disease outbreaks. An obvious caveat is that several
reasons can motivate individuals to seek online information and models that are
blind to people's motivations are of limited use and can even mislead. This is
particularly true during extraordinary public health crisis, such as the
ongoing pandemic, when fear, curiosity and many other reasons can lead
individuals to search for health-related information, masking the
disease-driven searches. However, health crisis can also offer an opportunity
to disentangle between different drivers and learn about human behavior. Here,
we focus on the two pandemics of the 21st century (2009-H1N1 flu and Covid-19)
and propose a methodology to discriminate between search patterns linked to
general information seeking (media driven) and search patterns possibly more
associated with actual infection (disease driven). We show that by learning
from such pandemic periods, with high anxiety and media hype, it is possible to
select online searches and improve model performance both in pandemic and
seasonal settings. Moreover, and despite the common claim that more data is
always better, our results indicate that lower volume of the right data can be
better than including large volumes of apparently similar data, especially in
the long run. Our work provides a general framework that can be applied beyond
specific events and diseases, and argues that algorithms can be improved simply
by using less (better) data. This has important consequences, for example, to
solve the accuracy-explainability trade-off in machine-learning.
- Abstract（参考訳）: オンライン検索は、病気の発生をモニターするなど、さまざまな健康関連行動の研究に使われてきた。
明らかな欠点は、個人のモチベーションに欠けているオンライン情報やモデルを探す動機を個人が求める理由は限られており、誤解を招くこともあることである。
これは特に、パンデミックや恐怖、好奇心、その他多くの理由によって、個人が健康関連情報を検索し、疾患による検索を隠蔽する可能性がある、という異常な公衆衛生危機において、特に当てはまる。
しかし、健康危機はまた、異なるドライバーを混乱させ、人間の行動を学ぶ機会を与える。
本稿では,21世紀の2つのパンデミック(2009-H1N1fluとCovid-19)に焦点を当て,一般情報検索(メディア駆動)に関連する検索パターンと,実際の感染に関連する可能性のある検索パターンを識別する手法を提案する。
このようなパンデミック期から学ぶことで、不安感やメディアの誇大宣伝が高まり、オンライン検索を選択し、パンデミックと季節設定の両方でモデル性能を向上させることができる。
さらに、より多くのデータが常に良いという共通の主張にもかかわらず、我々の結果は、特に長期的には、明らかに類似したデータを大量に含むよりも、正しいデータのボリュームが低い方が良いことを示している。
我々の研究は、特定の事象や病気を越えて適用可能な一般的なフレームワークを提供しており、アルゴリズムは(より少ない)データを使用することで簡単に改善できると主張している。
これは例えば、機械学習の正確性-説明可能性のトレードオフを解決するために重要な結果をもたらす。
関連論文リスト
- Human Behavior in the Time of COVID-19: Learning from Big Data [71.26355067309193]
2020年3月以降、新型コロナウイルスの感染者は6億人を超え、600万人以上が死亡している。
パンデミックはあらゆる面で人間の行動に影響を与え、変化をもたらした。
研究者は自然言語処理、コンピュータビジョン、音声信号処理、頻繁なパターンマイニング、機械学習といったビッグデータ技術を採用してきた。
論文 参考訳（メタデータ） (2023-03-23T17:19:26Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳（メタデータ） (2022-02-08T10:03:24Z) - #StayHome or #Marathon? Social Media Enhanced Pandemic Surveillance on
Spatial-temporal Dynamic Graphs [23.67939019353524]
新型コロナウイルスは、公衆衛生、社会、経済のほぼすべての領域に永続的な被害をもたらしている。
既存の研究は、伝統的な統計モデルと流行拡散理論の集約に依存している。
我々は,抽出した出来事と関係に基づいて,ソーシャルメディアがパンデミックの知識を広める新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-08-08T15:46:05Z) - An introduction to causal reasoning in health analytics [2.199093822766999]
従来の機械学習と統計的アプローチで発生する可能性のある欠点のいくつかを強調して、観測データを分析します。
一般的な機械学習問題に対処するための因果推論の応用を実演する。
論文 参考訳（メタデータ） (2021-05-10T20:25:56Z) - 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) - A general method for estimating the prevalence of
Influenza-Like-Symptoms with Wikipedia data [0.979731979071071]
インフルエンザ(Influenza)は、世界中で何百万人もの人が感染し、ヨーロッパだけで数千人が死亡する急性呼吸器性季節性疾患である。
欧州4か国(イタリア、ドイツ、ベルギー、オランダ)において、ウィキペディアのページビューに関する情報を利用してインフルエンザ様の病気の発生率を正確に推定できる可能性を示す。
そこで本稿では,Personalized PageRankとCycleRankという2つのアルゴリズムをベースとした言語に依存しない新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-28T11:44:44Z) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z) - Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。
本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。
我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
論文 参考訳（メタデータ） (2020-09-20T12:24:45Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z) - COVI White Paper [67.04578448931741]
接触追跡は、新型コロナウイルスのパンデミックの進行を変える上で不可欠なツールだ。
カナダで開発されたCovid-19の公衆ピアツーピア接触追跡とリスク認識モバイルアプリケーションであるCOVIの理論的、設計、倫理的考察、プライバシ戦略について概説する。
論文 参考訳（メタデータ） (2020-05-18T07:40:49Z) - The Pace and Pulse of the Fight against Coronavirus across the US, A
Google Trends Approach [0.0]
Google Trendsは、人々が考えていること、必要としていること、計画するためのプロキシとして使用できる。
新型コロナウイルス(COVID-19)などのパンデミックにおける情報探索パターンの、重要な変化の洞察と、潜在的な指標の両方を提供するために、私たちはそれを使用しています。
論文 参考訳（メタデータ） (2020-05-05T20:55:45Z)
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。