論文の概要: Transfer-Recursive-Ensemble Learning for Multi-Day COVID-19 Prediction
in India using Recurrent Neural Networks
- arxiv url: http://arxiv.org/abs/2108.09131v2
- Date: Wed, 26 Apr 2023 12:02:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-27 18:55:33.995344
- Title: Transfer-Recursive-Ensemble Learning for Multi-Day COVID-19 Prediction
in India using Recurrent Neural Networks
- Title（参考訳）: リカレントニューラルネットワークを用いたインドにおける複数日covid-19予測のためのトランスファーリカバリエンセンブル学習
- Authors: Debasrita Chakraborty, Debayan Goswami, Susmita Ghosh, Ashish Ghosh,
Jonathan H. Chan
- Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックは、インドの医療インフラに大きな課題をもたらした。
本書は、新型コロナウイルスの新規感染者、新規死亡者、合計感染者の予知を数日前に行う。
- 参考スコア（独自算出の注目度）: 8.452187000165491
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The current COVID-19 pandemic has put a huge challenge on the Indian health
infrastructure. With more and more people getting affected during the second
wave, the hospitals were over-burdened, running out of supplies and oxygen. In
this scenario, prediction of the number of COVID-19 cases beforehand might have
helped in the better utilization of limited resources and supplies. This
manuscript deals with the prediction of new COVID-19 cases, new deaths and
total active cases for multiple days in advance. The proposed method uses gated
recurrent unit networks as the main predicting model. A study is conducted by
building four models that are pre-trained on the data from four different
countries (United States of America, Brazil, Spain and Bangladesh) and are
fine-tuned or retrained on India's data. Since the four countries chosen have
experienced different types of infection curves, the pre-training provides a
transfer learning to the models incorporating diverse situations into account.
Each of the four models then give a multiple days ahead predictions using
recursive learning method for the Indian test data. The final prediction comes
from an ensemble of the predictions of the combination of different models.
This method with two countries, Spain and Brazil, is seen to achieve the best
performance amongst all the combinations as well as compared to other
traditional regression models.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、インドの医療インフラに大きな課題をもたらした。
第2波でより多くの人が被害を受け、病院は過密になり、物資や酸素が尽きてしまった。
このシナリオでは、それまでの新型コロナウイルス感染者数の予測は、限られた資源や物資のより良い利用に役立った可能性がある。
この写本は、新型コロナウイルス(covid-19)の新規感染者、新規死亡者、および数日間のアクティブケースの予測を扱っている。
提案手法は,主予測モデルとしてゲートリカレントユニットネットワークを用いる。
調査は、米国、ブラジル、スペイン、バングラデシュの4カ国のデータに基づいて事前訓練された4つのモデルを構築し、インドのデータに基づいて微調整または再訓練された。
選ばれた4カ国は異なる種類の感染曲線を経験しているため、事前学習は様々な状況を考慮したモデルへの移行学習を提供する。
4つのモデルはそれぞれ、インドのテストデータに対して再帰的学習法を用いた数日間の予測を行う。
最終的な予測は、異なるモデルの組み合わせの予測の集合から得られる。
スペインとブラジルのこの手法は、他の伝統的な回帰モデルと比較して、すべての組み合わせの中で最高のパフォーマンスを達成している。
関連論文リスト
- Deep COVID-19 Forecasting for Multiple States with Data Augmentation [10.197800697048903]
本研究は、米国(米国)における毎週の累積死亡状況と、ドイツにおけるインシデント事例について、国家レベルの新型コロナウイルスの傾向を予測するためのディープラーニングアプローチを提案する。
このアプローチには、トランスモデル、アンサンブル法、時系列データ拡張技術が含まれる。
私たちのモデルは、米国とドイツ向けのCOVID-19 Forecast Hubで、最高の州レベルの成果を達成しました。
論文 参考訳（メタデータ） (2023-02-02T15:16:13Z) - 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) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳（メタデータ） (2022-02-08T10:03:24Z) - Explainable AI Framework for COVID-19 Prediction in Different Provinces
of India [1.9540758462427876]
2020年、コビッドウイルスは200カ国以上で流行し、2021年12月20日までに世界の221カ国で2億7500万件のコビッドウイルスと5.37万件の死亡が確認された。
アメリカ合衆国、インド、ブラジル、イギリス、ロシアなどを含む多くの国は、人口の多さから新型コロナウイルスのパンデミックの影響をひどく受けている。
この国では2021年12月20日までに51.7M、34.7M、22.2M、11.3M、10.2Mと報告されている。
提案したLSTMモデルは1つの状態、すなわちMaharashtraでトレーニングされ、テストされる。
論文 参考訳（メタデータ） (2022-01-12T16:26:14Z) - 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) - Modelling the COVID-19 virus evolution with Incremental Machine Learning [0.6747153903267225]
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。
論文 参考訳（メタデータ） (2021-04-14T16:08:35Z) - Deep learning via LSTM models for COVID-19 infection forecasting in
India [13.163271874039191]
卓越した計算モデルと数学的モデルは、感染の拡散の複雑さのために信頼性が低い。
リカレントニューラルネットワークのようなディープラーニングモデルは、時間的シーケンスをモデル化するのに適している。
感染率の面では、新型コロナウイルスのホットポットを持つ州を選択し、感染の有無やピークに達した州と比較する。
以上の結果から,他の国や地域での手法の適用を動機づける長期予測が期待されていることが示唆された。
論文 参考訳（メタデータ） (2021-01-28T09:19:10Z) - 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) - Semi-supervised Neural Networks solve an inverse problem for modeling
Covid-19 spread [61.9008166652035]
半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。
我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
論文 参考訳（メタデータ） (2020-10-10T19:33:53Z) - 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) - When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and
Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。
さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。
本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文 参考訳（メタデータ） (2020-05-13T18:21:50Z)
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。