論文の概要: Risk score learning for COVID-19 contact tracing apps

• arxiv url: http://arxiv.org/abs/2104.08415v1
• Date: Sat, 17 Apr 2021 00:55:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-24 08:43:35.403809
• Title: Risk score learning for COVID-19 contact tracing apps
• Title（参考訳）: 新型コロナウイルスの接触追跡アプリのリスクスコア学習
• Authors: Kevin Murphy and Abhishek Kumar and Stelios Serghiou
• Abstract要約: COVID-19用のデジタルコンタクトトレースアプリは、特定の露出中にユーザーが感染したリスクを推定する必要があります。 機械学習手法を用いて,リスクスコアモデルのパラメータを自動的に最適化できることを示した。
• 参考スコア（独自算出の注目度）: 18.64835871177855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital contact tracing apps for COVID-19, such as the one developed by Google and Apple, need to estimate the risk that a user was infected during a particular exposure, in order to decide whether to notify the user to take precautions, such as entering into quarantine, or requesting a test. Such risk score models contain numerous parameters that must be set by the public health authority. Although expert guidance for how to set these parameters has been provided (e.g. https://github.com/lfph/gaen-risk-scoring/blob/main/risk-scoring.md), it is natural to ask if we could do better using a data-driven approach. This can be particularly useful when the risk factors of the disease change, e.g., due to the evolution of new variants, or the adoption of vaccines. In this paper, we show that machine learning methods can be used to automatically optimize the parameters of the risk score model, provided we have access to exposure and outcome data. Although this data is already being collected in an aggregated, privacy-preserving way by several health authorities, in this paper we limit ourselves to simulated data, so that we can systematically study the different factors that affect the feasibility of the approach. In particular, we show that the parameters become harder to estimate when there is more missing data (e.g., due to infections which were not recorded by the app). Nevertheless, the learning approach outperforms a strong manually designed baseline.
• Abstract（参考訳）: Google(グーグル)やApple(アップル)など、新型コロナウイルス(COVID-19)用のデジタルコンタクト追跡アプリは、特定の露出中にユーザーが感染したリスクを推定する必要がある。 このようなリスクスコアモデルは、公衆衛生局が設定しなければならない多くのパラメータを含んでいる。 これらのパラメータの設定方法に関する専門家ガイダンスは提供されているが(例えば、)。 https://github.com/lfph/gaen-risk-scoring/blob/main/risk-scoring.md) データ駆動アプローチをうまく利用できるかを尋ねるのは自然です。 これは、例えば、新しい変異の進化やワクチンの採用によって、病気が変化するリスクファクターに特に有用である。 本稿では,リスクスコアモデルのパラメータを自動的に最適化するための機械学習手法を提案する。 このデータは、すでに複数の保健当局によって集約されたプライバシー保護の方法で収集されているが、本論文では、シミュレーションデータに制限を課し、アプローチの実現可能性に影響を与えるさまざまな要因を体系的に研究することができる。 特に,より多くのデータが不足している場合(例えば,アプリによって記録されていない感染症など),パラメータの推測が困難になることが示された。 それでも、学習アプローチは、手動で設計されたベースラインよりも優れている。

関連論文リスト

• Certified Robustness to Data Poisoning in Gradient-Based Training [10.79739918021407]
  我々は、潜在的に操作されたデータでトレーニングされたモデルの振る舞いを証明可能な保証を提供する最初のフレームワークを開発する。 我々の枠組みは、標的外および標的の毒、およびバックドア攻撃に対する堅牢性を証明している。 我々は、エネルギー消費、医療画像、自律運転などの応用から、複数の実世界のデータセットに対するアプローチを実証する。
  論文  参考訳（メタデータ） (2024-06-09T06:59:46Z)
• Data-Adaptive Tradeoffs among Multiple Risks in Distribution-Free Prediction [55.77015419028725]
  しきい値とトレードオフパラメータが適応的に選択された場合、リスクの有効な制御を可能にする手法を開発する。 提案手法は単調なリスクとほぼ単調なリスクをサポートするが,それ以外は分布的な仮定はしない。
  論文  参考訳（メタデータ） (2024-03-28T17:28:06Z)
• Adaptive White-Box Watermarking with Self-Mutual Check Parameters in Deep Neural Networks [14.039159907367985]
  フレージル透かし(Fragile watermarking)は、AIモデルの改ざんを識別する技法である。 従来の手法では、省略のリスク、追加の情報伝達、改ざんを正確に特定できないといった課題に直面していた。 そこで本研究では,改ざんされたパラメータを検出・発見・復元するために,改ざんされたパラメータやビットを検出する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-22T07:21:06Z)
• Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
  本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。 このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。 患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
  論文  参考訳（メタデータ） (2023-06-29T23:36:04Z)
• Autoregressive Perturbations for Data Poisoning [54.205200221427994]
  ソーシャルメディアからのデータスクレイピングは、不正なデータの使用に関する懸念が高まっている。 データ中毒攻撃は、スクラップ対策として提案されている。 より広範なデータセットにアクセスせずに有毒なデータを生成できる自動回帰(AR)中毒を導入する。
  論文  参考訳（メタデータ） (2022-06-08T06:24:51Z)
• MOAI: A methodology for evaluating the impact of indoor airflow in the transmission of COVID-19 [37.38767180122748]
  疫学モデルは新型コロナウイルスのパンデミックの理解と対応に重要な役割を果たしている。 本稿では,所定の設定におけるユーザのリスクを評価するモデルを提案する。 次に,あるユーザに対する時間的リスク露光を評価するために,モデルに時間的追加を提案する。
  論文  参考訳（メタデータ） (2021-03-31T14:06:09Z)
• Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
  我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。 本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。 我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
  論文  参考訳（メタデータ） (2020-09-20T12:24:45Z)
• COVI White Paper [67.04578448931741]
  接触追跡は、新型コロナウイルスのパンデミックの進行を変える上で不可欠なツールだ。 カナダで開発されたCovid-19の公衆ピアツーピア接触追跡とリスク認識モバイルアプリケーションであるCOVIの理論的、設計、倫理的考察、プライバシ戦略について概説する。
  論文  参考訳（メタデータ） (2020-05-18T07:40:49Z)
• Orthogonal Statistical Learning [49.55515683387805]
  人口リスクが未知のニュアンスパラメータに依存するような環境では,統計学習における非漸近的過剰リスク保証を提供する。 人口リスクがNeymanityと呼ばれる条件を満たす場合,メタアルゴリズムによって達成される過剰リスクに対するニュアンス推定誤差の影響は2次であることを示す。
  論文  参考訳（メタデータ） (2019-01-25T02:21:24Z)

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。