Fugu-MT 論文翻訳(概要): DeepGLEAM: an hybrid mechanistic and deep learning model for COVID-19 forecasting

論文の概要: DeepGLEAM: an hybrid mechanistic and deep learning model for COVID-19 forecasting

arxiv url: http://arxiv.org/abs/2102.06684v1
Date: Fri, 12 Feb 2021 18:42:20 GMT
ステータス: 処理完了
システム内更新日: 2021-02-15 13:04:29.693093
Title: DeepGLEAM: an hybrid mechanistic and deep learning model for COVID-19 forecasting
Title（参考訳）: DeepGLEAM:COVID-19予測のためのハイブリッドメカニカルとディープラーニングモデル
Authors: Dongxia Wu, Liyao Gao, Xinyue Xiong, Matteo Chinazzi, Alessandro Vespignani, Yian Ma, Rose Yu
Abstract要約: DeepGLEAMは、COVID-19予測のためのハイブリッドモデルです。機械シミュレーションモデルGLEAMとディープラーニングを組み合わせたものです。私たちは、DeepGLEAMを現実世界のCOVID-19死亡予測タスクで実証します。
参考スコア（独自算出の注目度）: 67.77102283276409
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce DeepGLEAM, a hybrid model for COVID-19 forecasting. DeepGLEAM combines a mechanistic stochastic simulation model GLEAM with deep learning. It uses deep learning to learn the correction terms from GLEAM, which leads to improved performance. We further integrate various uncertainty quantification methods to generate confidence intervals. We demonstrate DeepGLEAM on real-world COVID-19 mortality forecasting tasks.
Abstract（参考訳）: 我々は、COVID-19予測のハイブリッドモデルであるDeepGLEAMを紹介する。 DeepGLEAMは、機械的確率シミュレーションモデルGLEAMとディープラーニングを組み合わせる。ディープラーニングを使用して、GLEAMから修正項を学習することで、パフォーマンスが向上する。さらに,様々な不確実性定量化手法を統合し,信頼区間を生成する。私たちは、DeepGLEAMを現実世界のCOVID-19死亡予測タスクで実証します。

関連論文リスト

Ensemble Modeling for Time Series Forecasting: an Adaptive Robust Optimization Approach [3.7565501074323224]
本稿では,時系列予測モデルの堅牢なアンサンブルを構築するための新しい手法を提案する。本手法の有効性を,一連の合成実験と実世界の応用を通して実証する。
論文参考訳（メタデータ） (2023-04-09T20:30:10Z)
Sparse Gaussian Processes with Spherical Harmonic Features Revisited [19.104057413538612]
球面調和特性を持つガウス過程モデルを再検討し、関連するRKHS、固有構造および深部モデル間の接続について検討する。連続深さの深いモデルに対応する新しいカーネルのクラスを導入する。機械学習ベンチマークデータセットに対する我々のアプローチを検証する。
論文参考訳（メタデータ） (2023-03-28T13:02:48Z)
Predictive Experience Replay for Continual Visual Control and Forecasting [62.06183102362871]
視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
論文参考訳（メタデータ） (2023-03-12T05:08:03Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
Continual Learning with Fully Probabilistic Models [70.3497683558609]
機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2021-04-19T12:26:26Z)
Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文参考訳（メタデータ） (2021-01-06T17:36:26Z)
Examining Deep Learning Models with Multiple Data Sources for COVID-19 Forecasting [10.052302234274256]
COVID-19予測のためのディープラーニングモデルの設計と分析を行う。新型コロナウイルス(COVID-19)や死亡例数などの複数のソースが、より良い予測のためにデータとテストデータを数えている。時間的予測のためのクラスタリングに基づくトレーニングを提案する。
論文参考訳（メタデータ） (2020-10-27T17:52:02Z)
Imitation with Neural Density Models [98.34503611309256]
本稿では,Imitation Occupancy Entropy Reinforcement Learning (RL) を報奨として,専門家の占有率の密度推定によるImitation Learning (IL) の新しい枠組みを提案する。提案手法は,専門家の占有率と模倣者の占有率の逆Kulback-Leibler偏差を確実に低くする非逆モデル自由RLの目的を最大化する。
論文参考訳（メタデータ） (2020-10-19T19:38:36Z)
Deep Learning Models for Early Detection and Prediction of the spread of Novel Coronavirus (COVID-19) [4.213555705835109]
SARS-CoV2は世界的な普及を続けており、パンデミックとなっている。新型コロナウイルスの感染拡大を予測するために、機械学習技術を開発する必要がある。
論文参考訳（メタデータ） (2020-07-29T10:14:11Z)

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。