論文の概要: DeepGLEAM: a hybrid mechanistic and deep learning model for COVID-19
forecasting
- arxiv url: http://arxiv.org/abs/2102.06684v2
- Date: Mon, 15 Feb 2021 05:51:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 12:27:42.715617
- Title: DeepGLEAM: a 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
- Flood Prediction Using Classical and Quantum Machine Learning Models [0.0]
本研究では,洪水予測の改善を目的とした量子機械学習の可能性について検討する。
私たちは2023年にドイツのウッパー川沿いで毎日の洪水イベントに焦点を合わせています。
論文 参考訳(メタデータ) (2024-07-01T06:31:41Z) - Skywork-MoE: A Deep Dive into Training Techniques for Mixture-of-Experts Language Models [57.582219834039506]
提案手法は,146億のパラメータと16名のエキスパートを伴い,高性能な多言語モデル(LLM)であるSkywork-MoEの開発において実現された訓練手法を紹介する。
これは、Skywork-13Bモデルの既存の密度の高いチェックポイントに基づいています。
論文 参考訳(メタデータ) (2024-06-03T03:58:41Z) - An Integrative Paradigm for Enhanced Stroke Prediction: Synergizing
XGBoost and xDeepFM Algorithms [1.064427783926208]
本稿では,XGBoostとxDeepFMアルゴリズムのパワーを組み合わせたアンサンブルモデルを提案する。
本研究の目的は,既存のストローク予測モデルの改良であり,精度とロバスト性の向上である。
論文 参考訳(メタデータ) (2023-10-25T07:55:02Z) - Uncertainty Quantification using Generative Approach [4.4858968464373845]
本稿では,深いニューラルネットワークにおける不確実性を測定するためのインクリメンタル生成モンテカルロ法を提案する。
IGMCは生成モデルを反復的に訓練し、その出力をデータセットに追加し、ランダム変数の期待の後方分布を計算する。
MNIST桁分類タスクにおけるIGMCの挙動を実証的に研究する。
論文 参考訳(メタデータ) (2023-10-13T18:05:25Z) - A Bayesian Approach to Robust Inverse Reinforcement Learning [54.24816623644148]
我々は、オフラインモデルに基づく逆強化学習(IRL)に対するベイズ的アプローチを考える。
提案フレームワークは,専門家の報酬関数と環境力学の主観的モデルとを同時推定することにより,既存のオフラインモデルベースIRLアプローチとは異なる。
本分析は, 専門家が環境の高精度なモデルを持つと考えられる場合, 評価政策が堅牢な性能を示すという新たな知見を提示する。
論文 参考訳(メタデータ) (2023-09-15T17:37:09Z) - Deep Gaussian Mixture Ensembles [9.673093148930874]
この研究は、ディープガウス混合アンサンブル(DGME)と呼ばれる新しい確率的深層学習技術を導入している。
DGMEは、重み付き分布やマルチモーダル分布などの複雑な確率分布を近似することができる。
実験の結果,DGMEは複雑な予測密度を扱う深層学習モデルにおいて,最先端の不確実性よりも優れていることが示された。
論文 参考訳(メタデータ) (2023-06-12T16:53:38Z) - Improving Hyperparameter Learning under Approximate Inference in
Gaussian Process Models [18.134776677795077]
本研究では,変分推論(VI)と学習目標との相互作用に着目した。
我々は、共役計算VIを推論に利用するハイブリッドトレーニング手順を設計する。
我々は、幅広いデータセットで提案の有効性を実証的に実証した。
論文 参考訳(メタデータ) (2023-06-07T07:15:08Z) - 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) - 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)
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。