論文の概要: Deep Learning for Virus-Spreading Forecasting: a Brief Survey
- arxiv url: http://arxiv.org/abs/2103.02346v1
- Date: Wed, 3 Mar 2021 11:55:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 14:54:13.808970
- Title: Deep Learning for Virus-Spreading Forecasting: a Brief Survey
- Title(参考訳): ウイルス拡散予測のためのディープラーニング: 簡単な調査
- Authors: Federico Baldo, Lorenzo Dall'Olio, Mattia Ceccarelli, Riccardo Scheda,
Michele Lombardi, Andrea Borghesi, Stefano Diciotti, Michela Milano
- Abstract要約: 新型コロナウイルスのパンデミックの出現は、ウイルスの拡散を予測できる予測モデルへの関心を呼び起こしました。
我々は、空間と時間における病気の拡散を予測することを目的とした、Deep Learningのアプローチについて概説する。
- 参考スコア(独自算出の注目度): 12.154746085265682
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The advent of the coronavirus pandemic has sparked the interest in predictive
models capable of forecasting virus-spreading, especially for boosting and
supporting decision-making processes. In this paper, we will outline the main
Deep Learning approaches aimed at predicting the spreading of a disease in
space and time. The aim is to show the emerging trends in this area of research
and provide a general perspective on the possible strategies to approach this
problem. In doing so, we will mainly focus on two macro-categories: classical
Deep Learning approaches and Hybrid models. Finally, we will discuss the main
advantages and disadvantages of different models, and underline the most
promising development directions to improve these approaches.
- Abstract(参考訳): 新型コロナウイルスのパンデミックの出現は、特に意思決定プロセスの強化と支援のために、ウイルスの拡散を予測できる予測モデルへの関心を呼び起こしています。
本稿では,病気の空間的および時間的拡散を予測することを目的とした,Deep Learningのアプローチについて概説する。
その目的は、この領域の研究の新興トレンドを示し、この問題にアプローチするための可能な戦略に関する一般的な視点を提供することです。
そのためには主に,古典的ディープラーニングアプローチとハイブリッドモデルという,2つのマクロカテゴリに注目します。
最後に、異なるモデルの主な利点と欠点について議論し、これらのアプローチを改善するための最も有望な開発方向を強調します。
関連論文リスト
- MPSTAN: Metapopulation-based Spatio-Temporal Attention Network for
Epidemic Forecasting [2.0297284948237366]
メタポピュレーションに基づく時空間注意ネットワーク(MPSTAN)と呼ばれるハイブリッドモデルを提案する。
本モデルは,マルチパッチ疫学知識を時間モデルに取り入れ,パッチ間相互作用を適応的に定義することにより,流行予測の精度を向上させることを目的とする。
論文 参考訳(メタデータ) (2023-06-15T18:12:55Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳(メタデータ) (2022-11-18T03:26:31Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳(メタデータ) (2022-07-19T16:15:11Z) - Predicting infections in the Covid-19 pandemic -- lessons learned [5.981641988736108]
本稿では,XPrize Pandemic Response Challengeのために提案された予測アルゴリズムから始める。
モデル化された地域の文化に関する付加的な情報でアルゴリズムを増強することで、短期予測の性能を向上させることができることがわかった。
中期予測の精度は依然として低く、そのようなモデルを公共政策ツールボックスの信頼性の高いコンポーネントにするためには、かなりの量の将来の研究が必要である。
論文 参考訳(メタデータ) (2021-12-02T20:20:46Z) - A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。
また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文 参考訳(メタデータ) (2021-08-07T15:08:15Z) - Weakly Supervised Object Localization and Detection: A Survey [145.5041117184952]
オブジェクトのローカライゼーションと検出は、新しい世代のコンピュータビジョンシステムを開発する上で重要な役割を果たす。
本稿では,(1)古典的モデル,(2)既成の深層ネットワークの特徴表現を用いたアプローチ,(3)ディープラーニングのみに基づくアプローチ,(4)この分野で広く利用されている公開データセットと標準評価指標についてレビューする。
この分野における重要な課題、この分野の開発履歴、各カテゴリーの手法の利点/欠点、異なるカテゴリーの方法間の関係、弱い監督対象のローカリゼーションおよび検出方法の適用、およびこの研究分野の開発をさらに促進するための潜在的な将来の方向性について議論します。
論文 参考訳(メタデータ) (2021-04-16T06:44:50Z) - 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) - Deep Learning for Road Traffic Forecasting: Does it Make a Difference? [6.220008946076208]
本稿では,このITS研究領域におけるDeep Learningの活用に言及した技術の現状を批判的に分析することに焦点を当てる。
後続の批判分析は、交通予測のためのディープラーニングの問題について、質問を定式化し、必要な議論を引き起こす。
論文 参考訳(メタデータ) (2020-12-02T15:56:11Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳(メタデータ) (2020-10-28T10:58:59Z)
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。