論文の概要: An integrated recurrent neural network and regression model with spatial and climatic couplings for vector-borne disease dynamics

• arxiv url: http://arxiv.org/abs/2201.09394v1
• Date: Sun, 23 Jan 2022 23:04:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-26 06:50:29.075091
• Title: An integrated recurrent neural network and regression model with spatial and climatic couplings for vector-borne disease dynamics
• Title（参考訳）: 空間的, 気候的結合を考慮したベクター性疾患のリカレントニューラルネットワークと回帰モデル
• Authors: Zhijian Li, Jack Xin, Guofa Zhou
• Abstract要約: 本研究は,病原性疾患の進展に対するニューラルネットワークと非線形回帰モデルを構築した。 我々は、気候データの季節性や、昆虫(ハエなど)と相関する外部要因として、また、関心のある地域を囲む近隣地域からの感染を考慮に入れている。 統合モデルは、2013年から2018年にかけてスリランカで発生したリーシュ・マニアシスデータに基づいて、神経側頭葉の降下によって訓練され、試験された。
• 参考スコア（独自算出の注目度）: 4.254099382808598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We developed an integrated recurrent neural network and nonlinear regression spatio-temporal model for vector-borne disease evolution. We take into account climate data and seasonality as external factors that correlate with disease transmitting insects (e.g. flies), also spill-over infections from neighboring regions surrounding a region of interest. The climate data is encoded to the model through a quadratic embedding scheme motivated by recommendation systems. The neighboring regions' influence is modeled by a long short-term memory neural network. The integrated model is trained by stochastic gradient descent and tested on leish-maniasis data in Sri Lanka from 2013-2018 where infection outbreaks occurred. Our model outperformed ARIMA models across a number of regions with high infections, and an associated ablation study renders support to our modeling hypothesis and ideas.
• Abstract（参考訳）: ベクトル駆動型疾患進化のためのリカレントニューラルネットワークと非線形回帰時空間モデルを開発した。 気候データと季節性は、昆虫を媒介する病気(ハエなど)と相関する外部要因であり、また、関心のある地域を囲む近隣地域からの感染も考慮する。 気候データは、レコメンデーションシステムによって動機付けられた二次埋め込みスキームによってモデルに符号化される。 隣接領域の影響は、長期の短期記憶ニューラルネットワークによってモデル化される。 統合モデルは確率勾配降下法により訓練され,2013-2018年にスリランカで発生したリーシュ・マニアシスデータに基づいて検査された。 我々のモデルは感染率の高い多くの領域でarimaモデルよりも優れており、関連するアブレーション研究は我々のモデリング仮説とアイデアを支持している。

関連論文リスト

• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• 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)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• 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)
• Aedes-AI: Neural Network Models of Mosquito Abundance [0.0]
  本研究では,フィードフォワードニューラルネットワーク,短期メモリゲート型ニューラルネットワーク,リカレントユニットを開発した。 蚊集団の反復的な特徴を機械的モデルにより再現できるネットワークの評価を行った。 我々は,このような方程式のないモデルがベクトル制御や任意の空間スケールでの疾病リスクの予測をいかに促進するかを展望する。
  論文  参考訳（メタデータ） (2021-04-21T21:28:03Z)
• 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)
• 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)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• OutbreakFlow: Model-based Bayesian inference of disease outbreak dynamics with invertible neural networks and its application to the COVID-19 pandemics in Germany [0.19791587637442667]
  専門的なニューラルネットワークを用いた疫学モデリングの新たな組み合わせを提案する。 我々は, 発生時間, 未検出感染数, 症状発症前の感染可能性, および, 非常に適度な量の実世界の観測による遅延の報告など, 重要な疾患特性に関する信頼性の高い確率推定値を得ることができる。
  論文  参考訳（メタデータ） (2020-10-01T11:01:49Z)
• 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)

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。