論文の概要: Modelling the COVID-19 virus evolution with Incremental Machine Learning
- arxiv url: http://arxiv.org/abs/2104.09325v2
- Date: Wed, 21 Apr 2021 09:13:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-04 07:21:00.917356
- Title: Modelling the COVID-19 virus evolution with Incremental Machine Learning
- Title（参考訳）: インクリメンタル機械学習によるcovid-19ウイルス進化のモデル化
- Authors: Andr\'es L. Su\'arez-Cetrulo and Ankit Kumar and Luis
Miralles-Pechu\'an
- Abstract要約: 最先端の機械学習アルゴリズムとオンラインのインクリメンタルな機械学習アルゴリズムを比較して、病気の拡散の日々の変化に適応させる。
その結果、インクリメンタルメソッドは、時間とともに疾患の変化に適応するための有望なアプローチであることがわかった。
- 参考スコア（独自算出の注目度）: 0.6747153903267225
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The investment of time and resources for better strategies and methodologies
to tackle a potential pandemic is key to deal with potential outbreaks of new
variants or other viruses in the future. In this work, we recreated the scene
of a year ago, 2020, when the pandemic erupted across the world for the fifty
countries with more COVID-19 cases reported. We performed some experiments in
which we compare state-of-the-art machine learning algorithms, such as LSTM,
against online incremental machine learning algorithms to adapt them to the
daily changes in the spread of the disease and predict future COVID-19 cases.
To compare the methods, we performed three experiments: In the first one, we
trained the models using only data from the country we predicted. In the second
one, we use data from all fifty countries to train and predict each of them. In
the first and second experiment, we used a static hold-out approach for all
methods. In the third experiment, we trained the incremental methods
sequentially, using a prequential evaluation. This scheme is not suitable for
most state-of-the-art machine learning algorithms because they need to be
retrained from scratch for every batch of predictions, causing a computational
burden. Results show that incremental methods are a promising approach to adapt
to changes of the disease over time; they are always up to date with the last
state of the data distribution, and they have a significantly lower
computational cost than other techniques such as LSTMs.
- Abstract（参考訳）: パンデミックに対処するためのより良い戦略と方法論のための時間と資源の投資は、将来新たな変異体や他のウイルスの発生に対処する鍵となる。
今回の研究では、新型コロナウイルスの感染拡大が報告された50カ国でパンデミックが世界中で発生した1年前の2020年を再現した。
我々は、LSTMのような最先端の機械学習アルゴリズムとオンラインのインクリメンタル機械学習アルゴリズムを比較して、病気の拡散の日々の変化に適応し、将来の新型コロナウイルスの患者を予測する実験を行った。
最初の実験では、予測した国のデータのみを用いてモデルをトレーニングしました。
第2に、50カ国すべてのデータを使って、それぞれをトレーニングし、予測しています。
第1および第2の実験では、すべてのメソッドに静的ホールドアウトアプローチを使用しました。
第3の実験では,事前評価を用いて逐次的手法を逐次訓練した。
このスキームは、予測のバッチ毎にスクラッチから再トレーニングする必要があるため、ほとんどの最先端の機械学習アルゴリズムには適していない。
その結果、インクリメンタルな手法は、時間とともに病気の変化に適応するための有望なアプローチであり、データ分布の最後の状態に常に最新であり、LSTMのような他の手法よりも計算コストが大幅に低いことが示されている。
関連論文リスト
- The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Leveraging Unlabelled Data in Multiple-Instance Learning Problems for
Improved Detection of Parkinsonian Tremor in Free-Living Conditions [80.88681952022479]
本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。
本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
論文 参考訳（メタデータ） (2023-04-29T12:25:10Z) - A Benchmark Study by using various Machine Learning Models for
Predicting Covid-19 trends [0.0]
我々は、教師付き機械学習アルゴリズムを用いて、新しいコロナウイルスの発生のモデルを構築した。
この研究は、機械学習、アンサンブル、ディープラーニングモデルがどのように機能し、実際のデータセットに実装されるのかをよりよく理解することを目的としている。
論文 参考訳（メタデータ） (2023-01-26T17:49:05Z) - Strict baselines for Covid-19 forecasting and ML perspective for USA and
Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。
本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文 参考訳（メタデータ） (2022-07-15T18:21:36Z) - Machine learning approaches for localized lockdown during COVID-19: a
case study analysis [0.0]
Sars-CoV-2は、世界的なパンデミックとなった重要な急性呼吸器疾患として登場した。
ブラジルは、国家と自治体の社会経済的差異が大きいため、ウイルス対策に苦慮している。
本研究では,ブラジルの新型コロナウイルスデータに適用したさまざまな機械学習アルゴリズムとディープラーニングアルゴリズムを用いた新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-01-03T15:32:06Z) - Forecasting of COVID-19 Cases, Using an Evolutionary Neural Architecture
Search Approach [0.76146285961466]
2019年後半には、重症呼吸器疾患である新型コロナウイルス(COVID-19)が出現し、それ以来、世界はパンデミックの危機に直面している。
本稿では、拡張機能を備えた新しいデータセットを導入し、新しいアプローチで新型コロナウイルスの患者を予測する。
アプローチの有効性を示すため、イランの毎日の事例について比較研究を行った。
論文 参考訳（メタデータ） (2021-09-15T05:12:50Z) - Modeling the geospatial evolution of COVID-19 using spatio-temporal
convolutional sequence-to-sequence neural networks [48.7576911714538]
ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。
その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
論文 参考訳（メタデータ） (2021-05-06T15:24:00Z) - Modeling and forecasting Spread of COVID-19 epidemic in Iran until Sep
22, 2021, based on deep learning [0.0]
本研究の目的は,イランにおける新規患者数,死亡者数,回復患者数を180日間,効率的に推定することである。
予測手法、時系列、機械学習アルゴリズムの4つの異なるタイプが開発され、与えられたケーススタディに最適なパフォーマンス方法が決定されます。
論文 参考訳（メタデータ） (2021-03-15T07:36:12Z) - 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) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - A self-supervised neural-analytic method to predict the evolution of
COVID-19 in Romania [10.760851506126105]
我々は、感染症の古典的な確立されたモデルであるSEIRの改良版を使用している。
本稿では,修正SEIRモデルパラメータの正しいセットを推定するために,深層畳み込みネットワークを訓練するための自己教師型アプローチを提案する。
ルーマニアの死亡率が約0.3%である場合、楽観的な結果が得られ、我々のモデルが今後最大3週間の日々の死亡数を正確に予測できることを示した。
論文 参考訳（メタデータ） (2020-06-23T12:00:04Z)
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。