論文の概要: Disease Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2110.05445v1
• Date: Mon, 11 Oct 2021 17:32:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 21:09:20.752448
• Title: Disease Informed Neural Networks
• Title（参考訳）: 疾患情報ニューラルネットワーク
• Authors: Sagi Shaier, Maziar Raissi
• Abstract要約: 疾患情報ニューラルネットワーク(DINN)について紹介する。 DINNは、病気の広さを学習し、進行を予測し、独自のパラメータを見つけることができるニューラルネットワークである。 われわれはDINNを用いて、高感染性で致命的な11の疾患の動態を同定する。
• 参考スコア（独自算出の注目度）: 3.198144010381572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Disease Informed Neural Networks (DINNs) -- neural networks capable of learning how diseases spread, forecasting their progression, and finding their unique parameters (e.g. death rate). Here, we used DINNs to identify the dynamics of 11 highly infectious and deadly diseases. These systems vary in their complexity, ranging from 3D to 9D ODEs, and from a few parameters to over a dozen. The diseases include COVID, Anthrax, HIV, Zika, Smallpox, Tuberculosis, Pneumonia, Ebola, Dengue, Polio, and Measles. Our contribution is three fold. First, we extend the recent physics informed neural networks (PINNs) approach to a large number of infectious diseases. Second, we perform an extensive analysis of the capabilities and shortcomings of PINNs on diseases. Lastly, we show the ease at which one can use DINN to effectively learn COVID's spread dynamics and forecast its progression a month into the future from real-life data. Code and data can be found here: https://github.com/Shaier/DINN.
• Abstract（参考訳）: 疾患情報ニューラルネットワーク(DINN) - 疾患の広がり、進行予測、独自のパラメータ(例えば死亡率)を見つけることができるニューラルネットワーク。 そこで我々はDINNを用いて11の高感染性致死性疾患の動態を同定した。 これらのシステムは複雑で、3Dから9DのODE、いくつかのパラメータから1ダース以上まで様々である。 この疾患には、COVID、thrax、HIV、ジカ、天然痘、結核、肺炎、エボラ、デング、ポリオ、麻疹が含まれる。 私たちの貢献は3つある。 まず、最近の物理情報ニューラルネットワーク(PINN)のアプローチを、多くの感染症に拡張する。 第2に,病気におけるPINNの機能と欠点を幅広く分析する。 最後に、ダインを使って新型コロナウイルスの拡散ダイナミクスを効果的に学習し、実生活データから1ヶ月の経過を予測できる簡単な方法を示す。 コードとデータは、https://github.com/Shaier/DINN.com/で参照できる。

関連論文リスト

• Analysis of a mathematical model for malaria using data-driven approach [5.437165300369346]
  マラリアは世界で最も致命的な病気の1つで、毎年何百万人もの人がこの病気の犠牲者となり、多くの人が命を失う。 医療専門家や政府は、病気のダイナミクスが明確に理解されている場合に限って、国民を守るための正確な措置を講じる可能性がある。
  論文  参考訳（メタデータ） (2024-09-01T18:12:34Z)
• Hebbian Learning based Orthogonal Projection for Continual Learning of Spiking Neural Networks [74.3099028063756]
  我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。 我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。 我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
  論文  参考訳（メタデータ） (2024-02-19T09:29:37Z)
• BAND: Biomedical Alert News Dataset [34.277782189514134]
  我々は、既存の報道記事、オープンメール、アラートから1,508件のサンプルと30の疫学関連質問を含むBAND(Biomedical Alert News dataset)を紹介した。 BANDデータセットは、NLPの世界に新たな課題をもたらし、コンテンツの偽装能力と重要な情報を推論する能力を必要としている。 われわれの知る限りでは、BANDコーパスはバイオメディカル・アウトブレイク警報のニュースを、精巧にデザインされた質問でまとめる最大のコーパスだ。
  論文  参考訳（メタデータ） (2023-05-23T19:21:00Z)
• DeepEpiSolver: Unravelling Inverse problems in Covid, HIV, Ebola and Disease Transmission [15.199209463685706]
  ニューラルネットワークを用いて、SIDRの拡散軌跡と係数のマッピングをオフラインで学習する。 11の高感染症に対するPINNと同等の精度で3～4桁のスピードアップを観察した。
  論文  参考訳（メタデータ） (2023-03-24T11:47:16Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Digital twins based on bidirectional LSTM and GAN for modelling COVID-19 [8.406968279478347]
  新型コロナウイルスの感染が世界中に広がり、1億人以上が感染し、220万人以上が死亡した。 疫学モデルの研究は、このような病気がどのように広まるかをよりよく理解するために、緊急に必要である。 機械学習技術の最近の進歩は、計算コストの削減で複雑なダイナミクスを学習し、予測する能力を持つニューラルネットワークを生み出している。
  論文  参考訳（メタデータ） (2021-02-03T11:54:24Z)
• Artificial Neural Variability for Deep Learning: On Overfitting, Noise Memorization, and Catastrophic Forgetting [135.0863818867184]
  人工ニューラルネットワーク(ANV)は、ニューラルネットワークが自然のニューラルネットワークからいくつかの利点を学ぶのに役立つ。 ANVは、トレーニングデータと学習モデルの間の相互情報の暗黙の正則化として機能する。 過度にフィットし、ノイズの記憶をラベル付けし、無視できるコストで破滅的な忘れを効果的に軽減することができる。
  論文  参考訳（メタデータ） (2020-11-12T06:06:33Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• A Recurrent Neural Network and Differential Equation Based Spatiotemporal Infectious Disease Model with Application to COVID-19 [3.464871689508835]
  我々は、ディファレンス微分方程式(SIR)とリカレントニューラルネットワーク(RNN)に基づく統合疾患モデルを開発する。 イタリアのCO-19データをトレーニングし,既存の時間モデル(NN,SIR,ARIMA)を1日,3日,1週間の予測で上回っていることを示す。
  論文  参考訳（メタデータ） (2020-07-14T07:04:57Z)
• Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
  XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。 コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-02-02T21:09:39Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。