論文の概要: Understanding the Spread of COVID-19 Epidemic: A Spatio-Temporal Point Process View

• arxiv url: http://arxiv.org/abs/2106.13097v1
• Date: Thu, 24 Jun 2021 15:26:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 15:17:09.098909
• Title: Understanding the Spread of COVID-19 Epidemic: A Spatio-Temporal Point Process View
• Title（参考訳）: COVID-19の流行を理解する : 時空間的プロセス
• Authors: Shuang Li, Lu Wang, Xinyun Chen, Yixiang Fang, Yan Song
• Abstract要約: 1月21日以降、米国では100万人以上が新型コロナウイルスの感染者を確認している。 この伝染性呼吸器疾患は、米国の3000以上の郡と50の州に急速に広がった。 本疾患の複雑な時空干渉伝播を理解するためには,正確な予測や知的外的介入が可能であることが不可欠である。
• 参考スコア（独自算出の注目度）: 44.67854875502783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since the first coronavirus case was identified in the U.S. on Jan. 21, more than 1 million people in the U.S. have confirmed cases of COVID-19. This infectious respiratory disease has spread rapidly across more than 3000 counties and 50 states in the U.S. and have exhibited evolutionary clustering and complex triggering patterns. It is essential to understand the complex spacetime intertwined propagation of this disease so that accurate prediction or smart external intervention can be carried out. In this paper, we model the propagation of the COVID-19 as spatio-temporal point processes and propose a generative and intensity-free model to track the spread of the disease. We further adopt a generative adversarial imitation learning framework to learn the model parameters. In comparison with the traditional likelihood-based learning methods, this imitation learning framework does not need to prespecify an intensity function, which alleviates the model-misspecification. Moreover, the adversarial learning procedure bypasses the difficult-to-evaluate integral involved in the likelihood evaluation, which makes the model inference more scalable with the data and variables. We showcase the dynamic learning performance on the COVID-19 confirmed cases in the U.S. and evaluate the social distancing policy based on the learned generative model.
• Abstract（参考訳）: 1月21日に米国で最初の新型コロナウイルス感染者が確認された後、米国の100万人以上が新型コロナウイルスの感染者を確認した。 この感染症は、米国の3000以上の郡と50の州に急速に広がり、進化的クラスタリングと複雑なトリガーパターンを呈している。 この疾患の複雑な時空干渉伝播を理解することが不可欠であり、正確な予測や賢明な外部介入を行うことができる。 本稿では、COVID-19の伝播を時空間プロセスとしてモデル化し、疾患の拡散を追跡するための生成的かつ強度のないモデルを提案する。 さらに,モデルパラメータを学習するために,生成的逆模倣学習フレームワークも採用する。 従来の確率に基づく学習手法と比較して、この模倣学習フレームワークは、モデルミスを緩和する強度関数を事前に指定する必要はない。 さらに, 可逆学習手法では, 確率評価にかかわる評価の難しい積分を回避し, モデル推論をデータや変数に対してよりスケーラブルにする。 本研究は、米国における新型コロナウイルス感染者の動的学習性能について紹介し、学習生成モデルに基づくソーシャル・ディスタンシング・ポリシーの評価を行った。

関連論文リスト

• Interpreting County Level COVID-19 Infection and Feature Sensitivity using Deep Learning Time Series Models [1.101002667958165]
  本稿では,ディープラーニングを用いてモデル予測のための特徴感度を学習する新しいフレームワークを提案する。 テンポラルフュージョントランスを用いた郡レベルの新型コロナウイルス感染予測を行った。 次に、Moris Methodを拡張した感度分析を使用して、出力が静的および動的入力機能に対してどれほど感度が高いかを確認します。
  論文  参考訳（メタデータ） (2022-10-06T23:45:37Z)
• COUnty aggRegation mixup AuGmEntation (COURAGE) COVID-19 Prediction [29.919578191688274]
  本稿では,米国各郡における2週間の新型コロナウイルス関連死亡の短期予測を行うCOURAGEという手法を提案する。 本モデルでは, 新型コロナウイルス関連症例, 死亡状況, 地域移動傾向, 人口統計情報の公開情報を完全に活用し, 対応する郡レベルの予測の集約として, 州レベルの予測を作成できる。
  論文  参考訳（メタデータ） (2021-05-03T04:00:59Z)
• 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)
• Examining Deep Learning Models with Multiple Data Sources for COVID-19 Forecasting [10.052302234274256]
  COVID-19予測のためのディープラーニングモデルの設計と分析を行う。 新型コロナウイルス(COVID-19)や死亡例数などの複数のソースが、より良い予測のためにデータとテストデータを数えている。 時間的予測のためのクラスタリングに基づくトレーニングを提案する。
  論文  参考訳（メタデータ） (2020-10-27T17:52:02Z)
• Steering a Historical Disease Forecasting Model Under a Pandemic: Case of Flu and COVID-19 [75.99038202534628]
  我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。 我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
  論文  参考訳（メタデータ） (2020-09-23T22:35:43Z)
• Deep Learning Models for Early Detection and Prediction of the spread of Novel Coronavirus (COVID-19) [4.213555705835109]
  SARS-CoV2は世界的な普及を続けており、パンデミックとなっている。 新型コロナウイルスの感染拡大を予測するために、機械学習技術を開発する必要がある。
  論文  参考訳（メタデータ） (2020-07-29T10:14:11Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)
• Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
  われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。 実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
  論文  参考訳（メタデータ） (2020-06-05T02:04:25Z)
• Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic [10.796851110372593]
  疫病モデルのためのヒトの移動性を考慮した異種感染率モデルを提案する。 モデルを線形化し、重み付けされた最小二乗を用いることで、我々のモデルは変化傾向に迅速に適応できる。 疫病の初期には、旅行データを用いて予測が増加することが示されている。
  論文  参考訳（メタデータ） (2020-04-23T07:25:46Z)

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。