論文の概要: Deep Epidemiological Modeling by Black-box Knowledge Distillation: An Accurate Deep Learning Model for COVID-19

• arxiv url: http://arxiv.org/abs/2101.10280v1
• Date: Wed, 20 Jan 2021 19:49:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-22 01:34:49.561091
• Title: Deep Epidemiological Modeling by Black-box Knowledge Distillation: An Accurate Deep Learning Model for COVID-19
• Title（参考訳）: black-box knowledge distillationによる深部疫学モデル:新型コロナの正確な深部学習モデル
• Authors: Dongdong Wang, Shunpu Zhang, and Liqiang Wang
• Abstract要約: 高精度かつ効率的な伝送ダイナミクス予測のためのブラックボックスナレッジ蒸留を用いた新しい深層学習手法を提案する。 シミュレーションシステムへの問い合わせにはシミュレーションされた観測シーケンスを使用し、シミュレーションされた投影シーケンスを知識として取得する。 最後に,学習者の深層ニューラルネットワークに対して,実使用のために,検索および混合観測投影シーケンスを訓練する。
• 参考スコア（独自算出の注目度）: 16.442483223157975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An accurate and efficient forecasting system is imperative to the prevention of emerging infectious diseases such as COVID-19 in public health. This system requires accurate transient modeling, lower computation cost, and fewer observation data. To tackle these three challenges, we propose a novel deep learning approach using black-box knowledge distillation for both accurate and efficient transmission dynamics prediction in a practical manner. First, we leverage mixture models to develop an accurate, comprehensive, yet impractical simulation system. Next, we use simulated observation sequences to query the simulation system to retrieve simulated projection sequences as knowledge. Then, with the obtained query data, sequence mixup is proposed to improve query efficiency, increase knowledge diversity, and boost distillation model accuracy. Finally, we train a student deep neural network with the retrieved and mixed observation-projection sequences for practical use. The case study on COVID-19 justifies that our approach accurately projects infections with much lower computation cost when observation data are limited.
• Abstract（参考訳）: 正確かつ効率的な予測システムは、公衆衛生における新型コロナウイルスなどの新興感染症の予防に不可欠である。 このシステムは、正確な過渡モデリング、計算コストの低減、観測データの減少を必要とする。 これら3つの課題に対処するために,ブラックボックスの知識蒸留を用いた新しい深層学習手法を提案する。 まず,混合モデルを用いて,精度,包括的,かつ実用的でないシミュレーションシステムを構築する。 次に、シミュレーションされた観測シーケンスを用いてシミュレーションシステムに問い合わせ、シミュレーションされた投影シーケンスを知識として検索する。 そして,得られたクエリデータを用いて,クエリ効率の向上,知識の多様性の向上,蒸留モデルの精度の向上を図る。 最後に,学習者の深層ニューラルネットワークに対して,実使用のために,検索および混合観測投影シーケンスを訓練する。 新型コロナウイルスのケーススタディは、我々のアプローチが観測データに制限がある場合、より少ない計算コストで感染を正確に予測することを正当化する。

関連論文リスト

• An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
  深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。 本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。 本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
  論文  参考訳（メタデータ） (2024-10-24T18:15:48Z)
• Inpainting Computational Fluid Dynamics with Deep Learning [8.397730500554047]
  有効な流体データ補完法は、流体力学実験において必要なセンサー数を削減する。 流体データ完備化問題の誤った性質は、理論解を得るのを違法に困難にしている。 ベクトル量子化法を用いて、完全および不完全流体データ空間を離散値下次元表現にマッピングする。
  論文  参考訳（メタデータ） (2024-02-27T03:44:55Z)
• Explainable Contrastive and Cost-Sensitive Learning for Cervical Cancer Classification [0.0]
  最初に、トレーニング済みの5つのCNNを微調整し、誤分類の全体的なコストを最小化する。 教師付きコントラスト学習は、モデルが重要な特徴やパターンを捉えやすくするために含まれます。 実験の結果, 精度97.29%を達成し, 開発システムの有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-24T21:03:30Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Neural parameter calibration and uncertainty quantification for epidemic forecasting [0.0]
  感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。 ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。 本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
  論文  参考訳（メタデータ） (2023-12-05T21:34:59Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
  オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。 出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
  論文  参考訳（メタデータ） (2021-08-26T14:01:04Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Leveraging Vision and Kinematics Data to Improve Realism of Biomechanic Soft-tissue Simulation for Robotic Surgery [13.657060682152409]
  ロボット内視鏡手術で得られたライブデータは,不正確なFEMシミュレーション結果の修正にどのように用いられるかを検討する。 我々はオープンソースのda Vinciオペレーショナルシステムを用いて,ソフトチップのファントムを探索し,シミュレーションでインタラクションを再現する。 予測メッシュ位置と測定点雲との差を補正するために,ネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-03-14T00:16:08Z)

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。