Fugu-MT 論文翻訳(概要): North Carolina COVID-19 Agent-Based Model Framework for Hospitalization Forecasting Overview, Design Concepts, and Details Protocol

論文の概要: North Carolina COVID-19 Agent-Based Model Framework for Hospitalization Forecasting Overview, Design Concepts, and Details Protocol

arxiv url: http://arxiv.org/abs/2106.04461v1
Date: Tue, 8 Jun 2021 15:43:02 GMT
ステータス: 処理完了
システム内更新日: 2021-06-09 15:41:19.241922
Title: North Carolina COVID-19 Agent-Based Model Framework for Hospitalization Forecasting Overview, Design Concepts, and Details Protocol
Title（参考訳）: ノースカロライナ COVID-19 エージェント・ベース・モデル・フレームワーク : 入院予測, 設計概念, 詳細プロトコル
Authors: Kasey Jones, Emily Hadley, Sandy Preiss, Caroline Kery, Peter Baumgartner, Marie Stoner, Sarah Rhea
Abstract要約: 新型コロナウイルスの感染拡大に伴う入院をシミュレートするエージェントベースモデル(ABM)が開発された。サブモデルの記述、提供されたパラメータ、データソースへのリンクを使用して、モデラーはモデルの作成と結果の複製を行うことができる。
参考スコア（独自算出の注目度）: 1.055404869921767
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This Overview, Design Concepts, and Details Protocol (ODD) provides a detailed description of an agent-based model (ABM) that was developed to simulate hospitalizations during the COVID-19 pandemic. Using the descriptions of submodels, provided parameters, and the links to data sources, modelers will be able to replicate the creation and results of this model.
Abstract（参考訳）: この概要、設計概念、詳細プロトコル(ODD)は、COVID-19パンデミック時の入院をシミュレートするために開発されたエージェントベースモデル(ABM)の詳細な説明を提供する。サブモデルの記述、提供されたパラメータ、データソースへのリンクを使用して、モデラーはモデルの作成と結果の複製を行うことができる。

関連論文リスト

Constructing Concept-based Models to Mitigate Spurious Correlations with Minimal Human Effort [31.992947353231564]
概念ボトルネックモデル(Concept Bottleneck Models, CBM)は、人間の理解可能な概念を通じて、モデルの振る舞いを開示し、導くための原則的な方法を提供する。本稿では,これらのバイアスに無害でありながら事前学習モデルを活用するために設計された新しいフレームワークを提案する。提案手法を複数のデータセット上で評価し,その解釈可能性を維持しつつ,素粒子相関によるモデル依存の低減効果を示した。
論文参考訳（メタデータ） (2024-07-12T03:07:28Z)
Integrating Clinical Knowledge into Concept Bottleneck Models [18.26357481872999]
概念ボトルネックモデル(CBM)は最終出力を予測する前に人間の解釈可能な概念を予測する。臨床知識の統合によるCBMの洗練, 臨床医の意思決定プロセスとの整合性の向上を提案する。医療画像の2つのデータセット(白血球と皮膚画像)にアプローチを検証した。
論文参考訳（メタデータ） (2024-07-09T07:03:42Z)
ProtoS-ViT: Visual foundation models for sparse self-explainable classifications [0.6249768559720122]
この研究は、凍結したトレーニング済みのViTバックボーンが、いかに効果的に原型モデルに変換できるかを示す。 ProtoS-ViTは、精度、コンパクト性、説明可能性の点で優れた性能を示す既存のプロトタイプモデルを上回る。
論文参考訳（メタデータ） (2024-06-14T13:36:30Z)
Decomposing and Editing Predictions by Modeling Model Computation [75.37535202884463]
コンポーネントモデリングというタスクを導入します。コンポーネントモデリングの目標は、MLモデルの予測をコンポーネントの観点から分解することだ。コンポーネント属性を推定するスケーラブルなアルゴリズムであるCOARを提案する。
論文参考訳（メタデータ） (2024-04-17T16:28:08Z)
Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
論文参考訳（メタデータ） (2024-01-09T11:54:54Z)
Learning to Explain: A Model-Agnostic Framework for Explaining Black Box Models [9.945345991490624]
本稿では、視覚モデルに対するポストホックな説明を提供するためのモデルに依存しないフレームワークであるLearning to Explain(LTX)を紹介する。 LTXフレームワークは、説明マップを生成する"説明者"モデルを導入し、説明されているモデルの予測を正当化する重要な領域を強調している。 LTXは、様々な指標において、現在の最先端の説明可能性を大幅に上回っていることを実証する。
論文参考訳（メタデータ） (2023-10-25T12:18:00Z)
Prototype Learning for Explainable Brain Age Prediction [1.104960878651584]
回帰タスクに特化して設計された,説明可能なプロトタイプベースモデルであるExPeRTを提案する。提案モデルでは,プロトタイプラベルの重み付き平均値を用いて,学習したプロトタイプのラテント空間における距離からサンプル予測を行う。提案手法は,モデル推論プロセスに関する知見を提供しながら,最先端の予測性能を実現した。
論文参考訳（メタデータ） (2023-06-16T14:13:21Z)
Representer Point Selection for Explaining Regularized High-dimensional Models [105.75758452952357]
本稿では,高次元表現器と呼ぶサンプルベース説明のクラスを紹介する。私たちのワークホースは、一般化された高次元モデルに対する新しい代表者定理である。提案手法の実証的性能について,実世界の2進分類データセットと2つの推薦システムデータセットを用いて検討した。
論文参考訳（メタデータ） (2023-05-31T16:23:58Z)
An Enhanced Knowledge Injection Model for Commonsense Generation [68.12943221053025]
Commonsenseジェネレーションは、提供された概念のセットに基づいて、妥当な日常シナリオ記述を生成することを目的としている。我々は、シナリオの理解を支援するために、外部知識からプロトタイプを検索し、より良い記述生成を行う。我々はCommonGenベンチマークで実験を行い、実験結果から、我々の手法が全てのメトリクスの性能を大幅に改善することが示された。
論文参考訳（メタデータ） (2020-12-01T09:51:23Z)
A Compact Gated-Synapse Model for Neuromorphic Circuits [77.50840163374757]
このモデルは、ニューロモルフィック回路のコンピュータ支援設計への統合を容易にするためにVerilog-Aで開発された。モデルの振る舞い理論は、デフォルトパラメータ設定の完全なリストとともに詳細に記述されている。
論文参考訳（メタデータ） (2020-06-29T18:22:11Z)
Model Reuse with Reduced Kernel Mean Embedding Specification [70.044322798187]
現在のアプリケーションで有用なモデルを見つけるための2段階のフレームワークを提案する。アップロードフェーズでは、モデルがプールにアップロードされている場合、モデルの仕様としてカーネル平均埋め込み(RKME)を縮小する。デプロイフェーズでは、RKME仕様の値に基づいて、現在のタスクと事前訓練されたモデルの関連性を測定する。
論文参考訳（メタデータ） (2020-01-20T15:15:07Z)

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。