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

• A Comprehensive Survey of Direct Preference Optimization: Datasets, Theories, Variants, and Applications [52.42860559005861]
  DPO(Direct Preference Optimization)は、アライメントのための有望なアプローチとして登場した。 DPOの様々な進歩と固有の制限にもかかわらず、これらの側面の詳細なレビューは現在、文献に欠けている。
  論文  参考訳（メタデータ） (2024-10-21T02:27:24Z)
• A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19 [0.6874745415692134]
  本稿では,感染症予測の課題に対処する新しいアプローチを提案する。 本稿では,複数の情報源からの情報を活用するマルチラテラルアテンション強化型GRUモデルを提案する。 GRUフレームワークに注意機構を組み込むことで、我々のモデルはデータ内の複雑な関係や時間的依存を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-08-26T06:31:53Z)
• Learning epidemic trajectories through Kernel Operator Learning: from modelling to optimal control [0.0]
  感染拡大に伴う人口動態を再構築するためのカーネル・オペレーター・ラーニング(KOL)の有効性について検討する。 特にKOL-mとKOL-$partial$という2つの代理モデルを導入する。 提案手法は, 高速かつロバストな予測とシナリオ分析を実現するのにいかに適しているかを示す。
  論文  参考訳（メタデータ） (2024-04-17T07:21:17Z)
• A Review of Graph Neural Networks in Epidemic Modeling [14.28921518883576]
  新型コロナウイルスのパンデミックが始まって以来、疫学モデルの研究への関心が高まっている。 グラフニューラルネットワーク(Graph Neural Networks)は、伝染病の研究において、徐々に人気が高まっているツールだ。
  論文  参考訳（メタデータ） (2024-03-28T21:54:48Z)
• Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
  本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。 我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
  論文  参考訳（メタデータ） (2024-03-27T05:10:38Z)
• 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)
• 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)
• 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。