論文の概要: A generalized forecasting solution to enable future insights of COVID-19 at sub-national level resolutions

• arxiv url: http://arxiv.org/abs/2108.09556v1
• Date: Sat, 21 Aug 2021 17:47:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-24 15:28:58.104901
• Title: A generalized forecasting solution to enable future insights of COVID-19 at sub-national level resolutions
• Title（参考訳）: サブ国家レベルの解像度でCOVID-19の今後の知見を可能にする汎用予測ソリューション
• Authors: Umar Marikkar, Harshana Weligampola, Rumali Perera, Jameel Hassan, Suren Sritharan, Gihan Jayatilaka, Roshan Godaliyadda, Vijitha Herath, Parakrama Ekanayake, Janaka Ekanayake, Anuruddhika Rathnayake, Samath Dharmaratne
• Abstract要約: 本研究は、封じ込め対策を局所的に実施可能な地域において、毎日の新型コロナウイルスの新規感染者を予測することを目的としている。 本研究の貢献は,その領域の疫学的ダイナミクスに基づく非決定論的エピ曲線のスムーズ化に最適化されたスムーズ化技術,特定領域のデータを用いてトレーニングした長短短期記憶に基づく予測モデル,およびエピ曲線に見られるデータ不均衡を緩和するトレーニング中の適応的損失関数である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: COVID-19 continues to cause a significant impact on public health. To minimize this impact, policy makers undertake containment measures that however, when carried out disproportionately to the actual threat, as a result if errorneous threat assessment, cause undesirable long-term socio-economic complications. In addition, macro-level or national level decision making fails to consider the localized sensitivities in small regions. Hence, the need arises for region-wise threat assessments that provide insights on the behaviour of COVID-19 through time, enabled through accurate forecasts. In this study, a forecasting solution is proposed, to predict daily new cases of COVID-19 in regions small enough where containment measures could be locally implemented, by targeting three main shortcomings that exist in literature; the unreliability of existing data caused by inconsistent testing patterns in smaller regions, weak deploy-ability of forecasting models towards predicting cases in previously unseen regions, and model training biases caused by the imbalanced nature of data in COVID-19 epi-curves. Hence, the contributions of this study are three-fold; an optimized smoothing technique to smoothen less deterministic epi-curves based on epidemiological dynamics of that region, a Long-Short-Term-Memory (LSTM) based forecasting model trained using data from select regions to create a representative and diverse training set that maximizes deploy-ability in regions with lack of historical data, and an adaptive loss function whilst training to mitigate the data imbalances seen in epi-curves. The proposed smoothing technique, the generalized training strategy and the adaptive loss function largely increased the overall accuracy of the forecast, which enables efficient containment measures at a more localized micro-level.
• Abstract（参考訳）: 新型コロナウイルスは公衆衛生に大きな影響を与え続けている。 この影響を最小限に抑えるため、政策立案者は、実際の脅威に対して不当に実施された場合、誤った脅威評価の結果、望ましくない社会経済的合併症を引き起こすような封じ込め措置を講じる。 さらに、マクロレベルの意思決定や全国レベルの意思決定は、小さな地域での局所的な感受性を考慮できない。 したがって、正確な予測を通じて、covid-19の行動に関する洞察を提供する地域的な脅威アセスメントの必要性が生じる。 In this study, a forecasting solution is proposed, to predict daily new cases of COVID-19 in regions small enough where containment measures could be locally implemented, by targeting three main shortcomings that exist in literature; the unreliability of existing data caused by inconsistent testing patterns in smaller regions, weak deploy-ability of forecasting models towards predicting cases in previously unseen regions, and model training biases caused by the imbalanced nature of data in COVID-19 epi-curves. そこで本研究は,その地域の疫学的なダイナミクスに基づく決定論的エピカーブを平滑化するための最適化平滑化手法,特定の地域からのデータを用いてトレーニングされた長期記憶型予測モデル,履歴データを持たない地域におけるデプロイ可能性の最大化を目的とした多種多様なトレーニングセット,エピ曲線に見られるデータ不均衡を緩和するための学習中の適応損失関数の3つを特徴とする。 提案する平滑化手法,一般化トレーニング戦略,適応損失関数は予測全体の精度を大きく向上させ,より局所的なマイクロレベルでの効率的な封じ込めが可能となった。

関連論文リスト

• Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
  低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。 本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。 低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
  論文  参考訳（メタデータ） (2024-05-28T20:43:53Z)
• Neural parameter calibration and uncertainty quantification for epidemic forecasting [0.0]
  感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。 ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。 本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
  論文  参考訳（メタデータ） (2023-12-05T21:34:59Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Predicting Hurricane Evacuation Decisions with Interpretable Machine Learning Models [0.0]
  本研究では,容易にアクセス可能な人口動態と資源関連予測器によって構築された世帯の避難決定を予測するための新しい手法を提案する。 提案手法は,避難交通需要の推計を改善するため,緊急管理当局に新たなツールと枠組みを提供する可能性がある。
  論文  参考訳（メタデータ） (2023-03-12T03:45:44Z)
• Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient for Out-of-Distribution Generalization [52.7137956951533]
  既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。 本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。 自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
  論文  参考訳（メタデータ） (2022-02-14T16:42:16Z)
• Incorporating Expert Guidance in Epidemic Forecasting [79.91855362871496]
  AIセーフティによるセルドニアン最適化フレームワークを活用した新しいアプローチを提案します。 円滑性と誤りの地域整合性という2種類のガイダンスについて検討する。 その定式化に成功することにより、望ましくない行動が起こる確率を拘束できるだけでなく、テストデータのRMSEを最大17%削減することができることを示しています。
  論文  参考訳（メタデータ） (2020-12-24T06:21:53Z)
• 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)
• Forecasting COVID-19 daily cases using phone call data [0.0]
  本稿では,コールデータを用いて日次確認症例数を予測するために最適化した簡易な多重線形回帰モデルを提案する。 提案手法は, ARIMA, ETS, および呼び出しデータのない回帰モデルより優れており, 3点予測誤差, 1点予測間隔, 2点の確率予測精度測定によって評価される。
  論文  参考訳（メタデータ） (2020-10-05T18:07:07Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM and Dynamic Behavioral Models [2.11622808613962]
  本研究では,Long Short-term memory (LSTM)人工リカレントニューラルネットワークと動的行動モデルを組み合わせた新しいハイブリッドモデルを提案する。 提案モデルでは, 最上位10か国, オーストラリアにおいて, 死亡率の予測精度を高めるために, 複数因子の効果を考察した。
  論文  参考訳（メタデータ） (2020-05-24T10:43:55Z)
• TDEFSI: Theory Guided Deep Learning Based Epidemic Forecasting with Synthetic Information [8.681583244827936]
  TDEFSIは低分解能時系列データを用いて正確な高分解能予測を行う。 我々は、シーズン内とシーズン間の両方の低分解能観測を行うために、2分岐リカレントニューラルネットワークモデルを訓練する。 予測は観測データによって駆動されるが、特定の都市部の複雑な社会的、人口統計学的、地理的属性をキャプチャする。
  論文  参考訳（メタデータ） (2020-01-28T20:51:49Z)

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。