論文の概要: Predicting infections in the Covid-19 pandemic -- lessons learned

• arxiv url: http://arxiv.org/abs/2112.11187v1
• Date: Thu, 2 Dec 2021 20:20:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-26 13:17:38.271705
• Title: Predicting infections in the Covid-19 pandemic -- lessons learned
• Title（参考訳）: 新型コロナウイルス(covid-19)パンデミックの感染予測 - 教訓
• Authors: Sharare Zehtabian, Siavash Khodadadeh, Damla Turgut, Ladislau B\"ol\"oni
• Abstract要約: 本稿では,XPrize Pandemic Response Challengeのために提案された予測アルゴリズムから始める。 モデル化された地域の文化に関する付加的な情報でアルゴリズムを増強することで、短期予測の性能を向上させることができることがわかった。 中期予測の精度は依然として低く、そのようなモデルを公共政策ツールボックスの信頼性の高いコンポーネントにするためには、かなりの量の将来の研究が必要である。
• 参考スコア（独自算出の注目度）: 5.981641988736108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Throughout the Covid-19 pandemic, a significant amount of effort had been put into developing techniques that predict the number of infections under various assumptions about the public policy and non-pharmaceutical interventions. While both the available data and the sophistication of the AI models and available computing power exceed what was available in previous years, the overall success of prediction approaches was very limited. In this paper, we start from prediction algorithms proposed for XPrize Pandemic Response Challenge and consider several directions that might allow their improvement. Then, we investigate their performance over medium-term predictions extending over several months. We find that augmenting the algorithms with additional information about the culture of the modeled region, incorporating traditional compartmental models and up-to-date deep learning architectures can improve the performance for short term predictions, the accuracy of medium-term predictions is still very low and a significant amount of future research is needed to make such models a reliable component of a public policy toolbox.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)のパンデミックを通じて、公共政策や非薬剤的介入に関する様々な仮定の下で感染数を予測する技術の開発に多大な努力が払われてきた。 利用可能なデータと、aiモデルの洗練度、および利用可能な計算能力は、いずれも前年より優れているが、予測アプローチの全体的な成功は、非常に限られていた。 本稿では,xprizeパンデミック対応課題に対して提案する予測アルゴリズムから始め,その改善を可能にするいくつかの方向性を検討する。 次に,中期的予測に対するその性能を数ヶ月以上にわたって調査する。 従来の区画モデルと最新のディープラーニングアーキテクチャを組み込んだ、モデル化された領域の文化に関する追加情報によるアルゴリズムの強化は、短期予測のパフォーマンスを向上させることが可能であり、中期予測の精度は依然として低く、そのようなモデルがパブリックポリシーツールボックスの信頼性の高いコンポーネントとなるためには、将来の研究が必要となる。

関連論文リスト

• Advancing Pancreatic Cancer Prediction with a Next Visit Token Prediction Head on top of Med-BERT [5.929423279830467]
  我々は,病気のバイナリ予測タスクをトークン予測タスクと次のビジターマスクトークン予測タスクに再構成し,Med-BERTの事前学習タスクフォーマットに適合させた。 Med-BERT-Sumと呼ばれるトークン予測タスクへのタスクの再構築は、少数のシナリオとより大きなデータサンプルの両方において、わずかに優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-01-03T18:32:05Z)
• A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19 [0.6874745415692134]
  本稿では,感染症予測の課題に対処する新しいアプローチを提案する。 本稿では,複数の情報源からの情報を活用するマルチラテラルアテンション強化型GRUモデルを提案する。 GRUフレームワークに注意機構を組み込むことで、我々のモデルはデータ内の複雑な関係や時間的依存を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-08-26T06:31:53Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• 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)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• Improving ECG-based COVID-19 diagnosis and mortality predictions using pre-pandemic medical records at population-scale [19.23987229578229]
  この研究は、パンデミック前データを用いた事前学習モデルであるこのアプローチが効果的に機能することを示します。 同様のトランスファー学習戦略は、将来のパンデミックの流行において、タイムリーな人工知能ソリューションを開発するのに有用である。
  論文  参考訳（メタデータ） (2022-11-14T04:48:07Z)
• 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)
• The EpiBench Platform to Propel AI/ML-based Epidemic Forecasting: A Prototype Demonstration Reaching Human Expert-level Performance [9.352573037053448]
  新型コロナウイルス(COVID-19)パンデミックの間、MLによる流行予測技術の開発に多大な努力が注がれている。 ベンチマークは、新しいAI/ML技術が既存の技術よりも優れているかどうかを主張するものではない。 疫病予測に応用したAI/MLのコミュニティ主導型ベンチマークからなるプラットフォームであるEpiBenchを提案する。
  論文  参考訳（メタデータ） (2021-02-04T19:21:14Z)
• 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)
• Backtesting the predictability of COVID-19 [0.0]
  我々は,2020年1月22日から6月22日までの253地域でのCOVID-19感染の歴史的データを用いている。 パンデミックの初期段階では予測誤差が著しく高く、データ不足によるものである。 いずれにせよ国が示すような確認ケースが多ければ多いほど、将来の確認ケースを予想するエラーは少なくなる。
  論文  参考訳（メタデータ） (2020-07-22T13:18:00Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)

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。