論文の概要: Predicting the spread of COVID-19 in Delhi, India using Deep Residual Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2110.05477v1
• Date: Sat, 9 Oct 2021 19:16:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-16 21:35:10.306225
• Title: Predicting the spread of COVID-19 in Delhi, India using Deep Residual Recurrent Neural Networks
• Title（参考訳）: ニューラルネットを用いたインド・デリーにおけるCOVID-19の感染拡大予測
• Authors: Shashank Reddy Vadyala, Sai Nethra Betgeri
• Abstract要約: The dynamics of COVID 19 were extracted using Convolutional Neural Networks and Deep Residual Recurrent Neural Networks。 DRRNNs COVID-19予測モデルは、正確な新型コロナウイルス予測を持っていることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting the spread of coronavirus will go a long way toward reducing human and economic loss. Unfortunately, existing Epidemiological models used for COVID 19 prediction models are too slow and fail to capture the COVID-19 development in detail. This research uses Partial Differential Equations to improve the processing speed and accuracy of forecasting of COVID 19 governed by SEIRD model equations. The dynamics of COVID 19 were extracted using Convolutional Neural Networks and Deep Residual Recurrent Neural Networks from data simulated using PDEs. The DRRNNs accuracy is measured using Mean Squared Error. The DRRNNs COVID-19 prediction model has been shown to have accurate COVID-19 predictions. In addition, we concluded that DR-RNNs can significantly advance the ability to support decision-making in real time COVID-19 prediction.
• Abstract（参考訳）: 新型コロナウイルスの感染拡大を検知することは、人的・経済的損失を減らすための長い道のりとなる。 残念なことに、新型コロナウイルス19の予測モデルに使われている既存の疫学モデルは遅すぎるため、詳細を把握できない。 本研究は、部分微分方程式を用いて、SEIRDモデルによる新型コロナウイルス19の予測の処理速度と精度を向上させる。 pdesを用いてシミュレーションしたデータから,畳み込みニューラルネットワークとディープリカレントニューラルネットワークを用いてcovid-19のダイナミクスを抽出した。 DRRNNの精度は平均平方誤差を用いて測定される。 DRRNNs COVID-19予測モデルは、正確な新型コロナウイルス予測を持っていることが示されている。 さらに、DR-RNNは、リアルタイムのCOVID-19予測において意思決定を支援する能力を大幅に向上させることができると結論づけた。

関連論文リスト

• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• PINN Training using Biobjective Optimization: The Trade-off between Data Loss and Residual Loss [0.0]
  物理情報ニューラルネットワーク(PINN)は、測定データが利用可能な問題を表現するための効率的なツールであることが証明されている。 本稿では、データ損失と残留損失を2つの個別目的関数として扱うことにより、PINNのトレーニングにおける多目的視点を提案する。
  論文  参考訳（メタデータ） (2023-02-03T15:27:50Z)
• Multi-variant COVID-19 model with heterogeneous transmission rates using deep neural networks [0.0]
  我々は,B.1.617.2デルタ変種とSARS-CoV-2の伝送特性の違いを明らかにするために,サセプティブル・エフェクト・インフェクト・インフェクト・リカバード数学モデルを開発した。 ディープニューラルネットワークを利用し、深層学習アルゴリズムを開発し、各変種に対する時間変化の不均一伝送速度を学習する。
  論文  参考訳（メタデータ） (2022-05-13T18:02:38Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Temporal Deep Learning Architecture for Prediction of COVID-19 Cases in India [1.7969777786551424]
  最近、新型コロナウイルスの拡散のダイナミックな傾向を理解するために、新しい機械学習アプローチが使用されている。 我々は、バニラLSTM、積み重ねLSTM、ED-LSTM、Bi-LSTM、CNN、ハイブリッドCNN+LSTMモデルという、繰り返しおよび畳み込みニューラルネットワークモデルを設計した。 その結果,積み重ね型LSTMとハイブリッド型CNN+LSTMは,他のモデルと比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-08-31T13:28:51Z)
• Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data [66.70036251870988]
  疾病予防管理センター(CDC)は他の連邦機関と協力して、新型コロナウイルス(COVID-19)の感染が増加する郡(ホットスポット)を特定する。 本稿では,米国における新型コロナウイルスホットスポットの早期発見のためのスパースモデルを提案する。 深層ニューラルネットワークは、カーネルの解釈可能性を維持しながらモデルの代表的なパワーを高めるために導入されている。
  論文  参考訳（メタデータ） (2021-05-31T19:28:17Z)
• End-2-End COVID-19 Detection from Breath & Cough Audio [68.41471917650571]
  クラウドソースのオーディオサンプルからエンドツーエンドのディープラーニングを使用してCOVID-19を診断する最初の試みを実証します。 本研究では, 人工深層ニューラルネットワークを用いて, 人工呼吸器から新型コロナを診断する新しいモデル戦略を提案する。
  論文  参考訳（メタデータ） (2021-01-07T01:13:00Z)
• A Spatial-Temporal Graph Based Hybrid Infectious Disease Model with Application to COVID-19 [3.785123406103385]
  新型コロナウイルスのパンデミックが進むにつれて、信頼できる予測が政策立案に重要な役割を果たす。 RNNのようなデータ駆動機械学習モデルは、COVID-19のような時系列データに制限がある場合に悩まされる可能性がある。 グラフ構造上にSEIRとRNNを組み合わせることで,学習と予測の精度と効率を両立させるハイブリッド時間モデルを構築する。
  論文  参考訳（メタデータ） (2020-10-18T19:34:54Z)
• 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)
• 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)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。