論文の概要: #StayHome or #Marathon? Social Media Enhanced Pandemic Surveillance on
Spatial-temporal Dynamic Graphs
- arxiv url: http://arxiv.org/abs/2108.03670v1
- Date: Sun, 8 Aug 2021 15:46:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-11 05:30:12.781718
- Title: #StayHome or #Marathon? Social Media Enhanced Pandemic Surveillance on
Spatial-temporal Dynamic Graphs
- Title（参考訳）: #StayHomeか#Marathonか?
ソーシャルメディアによる時空間動的グラフのパンデミックサーベイランス
- Authors: Yichao Zhou, Jyun-yu Jiang, Xiusi Chen, Wei Wang
- Abstract要約: 新型コロナウイルスは、公衆衛生、社会、経済のほぼすべての領域に永続的な被害をもたらしている。
既存の研究は、伝統的な統計モデルと流行拡散理論の集約に依存している。
我々は,抽出した出来事と関係に基づいて,ソーシャルメディアがパンデミックの知識を広める新しい枠組みを提案する。
- 参考スコア（独自算出の注目度）: 23.67939019353524
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: COVID-19 has caused lasting damage to almost every domain in public health,
society, and economy. To monitor the pandemic trend, existing studies rely on
the aggregation of traditional statistical models and epidemic spread theory.
In other words, historical statistics of COVID-19, as well as the population
mobility data, become the essential knowledge for monitoring the pandemic
trend. However, these solutions can barely provide precise prediction and
satisfactory explanations on the long-term disease surveillance while the
ubiquitous social media resources can be the key enabler for solving this
problem. For example, serious discussions may occur on social media before and
after some breaking events take place. These events, such as marathon and
parade, may impact the spread of the virus. To take advantage of the social
media data, we propose a novel framework, Social Media enhAnced pandemic
suRveillance Technique (SMART), which is composed of two modules: (i)
information extraction module to construct heterogeneous knowledge graphs based
on the extracted events and relationships among them; (ii) time series
prediction module to provide both short-term and long-term forecasts of the
confirmed cases and fatality at the state-level in the United States and to
discover risk factors for COVID-19 interventions. Extensive experiments show
that our method largely outperforms the state-of-the-art baselines by 7.3% and
7.4% in confirmed case/fatality prediction, respectively.
- Abstract（参考訳）: 新型コロナウイルス(covid-19)は、公衆衛生、社会、経済のほぼすべての領域に永続的な被害をもたらした。
パンデミックの傾向を監視するため、既存の研究は従来の統計モデルと流行拡散理論の集約に依存している。
言い換えれば、COVID-19の歴史的統計と人口移動データは、パンデミックの傾向を監視する上で不可欠な知識となっている。
しかし、これらのソリューションは長期的な疾病監視に関する正確な予測と十分な説明をほとんど提供せず、ユビキタスなソーシャルメディアリソースがこの問題を解決するための鍵となる。
例えば、いくつかの破壊的な出来事が起こる前後のソーシャルメディアで深刻な議論が起こることがある。
マラソンやパレードなどのイベントはウイルスの感染拡大に影響を及ぼす可能性がある。
To take advantage of the social media data, we propose a novel framework, Social Media enhAnced pandemic suRveillance Technique (SMART), which is composed of two modules: (i) information extraction module to construct heterogeneous knowledge graphs based on the extracted events and relationships among them; (ii) time series prediction module to provide both short-term and long-term forecasts of the confirmed cases and fatality at the state-level in the United States and to discover risk factors for COVID-19 interventions.
広範な実験により,本手法は既知のベースラインを7.3%,7.4%上回った。
関連論文リスト
- Event Detection from Social Media for Epidemic Prediction [76.90779562626541]
ソーシャルメディア投稿から疫病関連事象を抽出・分析する枠組みを構築した。
実験では、新型コロナウイルスベースのSPEEDで訓練されたEDモデルが、3つの目に見えない流行の流行を効果的に検出する方法が明らかにされている。
モンキーポックスのWHO流行宣言より4～9週間早く,抽出した事象の報告が急激な増加を示すことを示す。
論文 参考訳（メタデータ） (2024-04-02T06:31:17Z) - 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) - Privacy-Preserving Epidemiological Modeling on Mobile Graphs [17.085245461105863]
プライバシー保護型疫学モデリングフレームワークRIPPLEについて述べる。
PIR-SUMも提案する。
論文 参考訳（メタデータ） (2022-06-01T14:51:17Z) - STOPPAGE: Spatio-temporal Data Driven Cloud-Fog-Edge Computing Framework
for Pandemic Monitoring and Management [28.205715426050105]
行政政策の改善とパンデミック対策のための準備を強化するための分析枠組みを開発することは絶対的に必要である。
本稿では,STOPと呼ばれる時空間知識マイニングフレームワークを提案し,時間スケールの異なる大規模地域における人間の移動性や文脈情報の影響をモデル化する。
i)fog/edgeベースのアーキテクチャを使用したs-temporal data and computing infrastructure、(ii)s-temporal data analyticsモジュールで、異種データソースから知識を効率的に抽出する。
論文 参考訳（メタデータ） (2021-04-04T12:29:31Z) - 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) - 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) - Effectiveness and Compliance to Social Distancing During COVID-19 [72.94965109944707]
われわれは、米国内での新型コロナウイルスの感染拡大に対する在宅勤務注文の影響を評価するために、詳細なモビリティデータを用いている。
一方向性グランガー因果性(一方向性グランガー因果性)は、家庭で毎日過ごす時間の割合の中央値から、2週間の遅れを伴うCOVID-19関連死亡件数の日数までである。
論文 参考訳（メタデータ） (2020-06-23T03:36:19Z) - Data-driven Simulation and Optimization for Covid-19 Exit Strategies [16.31545249131776]
コロナウイルスSARS-2の急速な普及は、世界中のほぼ全ての政府が悲劇に対応するために徹底的な対策を講じる大きな課題である。
我々は,疫学パラメータの深層学習推定を組み合わせたパンデミックシミュレーションと予測ツールキットを構築した。
論文 参考訳（メタデータ） (2020-06-12T11:18:25Z) - Pandemic Pulse: Unraveling and Modeling Social Signals during the
COVID-19 Pandemic [12.050597862123313]
新型コロナウイルス(COVID-19)のパンデミックが米国に与える影響の一部を表わす、社会データの収集を提示し、調査を始めます。
このデータは、様々な情報源から収集され、ニューストピック、ソーシャルディスタンシング行動、コミュニティモビリティの変化、Web検索などの経年的傾向を含む。
論文 参考訳（メタデータ） (2020-06-10T17:55:44Z) - 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)
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。