論文の概要: Performance of long short-term memory artificial neural networks in nowcasting during the COVID-19 crisis

• arxiv url: http://arxiv.org/abs/2203.11872v1
• Date: Tue, 22 Mar 2022 16:48:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-23 13:52:25.645646
• Title: Performance of long short-term memory artificial neural networks in nowcasting during the COVID-19 crisis
• Title（参考訳）: 新型コロナウイルス感染拡大に伴う流し込みにおける長期記憶人工ニューラルネットワークの性能
• Authors: Daniel Hopp
• Abstract要約: COVID-19パンデミックにおけるLSTMのパフォーマンスは、動的因子モデル(DFM)と比較して比較される。 平均絶対誤差と根平均二乗誤差の両方の観点から、LSTMは変数/四分法の組み合わせの3分の2でより良い性能を得た。 LSTMへの解釈可能性の方法論が紹介され、付随する nowcast_lstm Python ライブラリで利用可能になった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The COVID-19 pandemic has demonstrated the increasing need of policymakers for timely estimates of macroeconomic variables. A prior UNCTAD research paper examined the suitability of long short-term memory artificial neural networks (LSTM) for performing economic nowcasting of this nature. Here, the LSTM's performance during the COVID-19 pandemic is compared and contrasted with that of the dynamic factor model (DFM), a commonly used methodology in the field. Three separate variables, global merchandise export values and volumes and global services exports, were nowcast with actual data vintages and performance evaluated for the second, third, and fourth quarters of 2020 and the first and second quarters of 2021. In terms of both mean absolute error and root mean square error, the LSTM obtained better performance in two-thirds of variable/quarter combinations, as well as displayed more gradual forecast evolutions with more consistent narratives and smaller revisions. Additionally, a methodology to introduce interpretability to LSTMs is introduced and made available in the accompanying nowcast_lstm Python library, which is now also available in R, MATLAB, and Julia.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)のパンデミックは、マクロ経済変数をタイムリーに見積もる政策立案者のニーズの高まりを示している。 UNCTAD以前の研究論文は、この性質を経済的に活用するための長期記憶人工ニューラルネットワーク(LSTM)の適合性を検討した。 ここでは、COVID-19パンデミックにおけるLSTMのパフォーマンスを、この分野で一般的に使用されているダイナミックファクターモデル(DFM)のパフォーマンスと比較し、対比する。 また、2020年第2四半期、第3四半期、第4四半期、2021年第1四半期、第2四半期の3つの別変数、グローバル輸出価値、ボリューム、グローバルサービス輸出が評価された。 平均絶対誤差と根平均二乗誤差の両方の観点から、LSTMは変数/四分法の組み合わせの3分の2でより良い性能を得た。 さらに、LSTMに解釈可能性を導入する方法論が導入され、対応する nowcast_lstm Python ライブラリで利用可能になった。

関連論文リスト

• Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
  フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。 エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。 我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
  論文  参考訳（メタデータ） (2023-03-26T14:57:49Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• ES-dRNN: A Hybrid Exponential Smoothing and Dilated Recurrent Neural Network Model for Short-Term Load Forecasting [1.4502611532302039]
  複雑な時系列(TS)のため、短期負荷予測(STLF)は困難である 本稿では,複数の季節性を扱うハイブリッド階層型ディープラーニングモデルを提案する。 指数スムージング(ES)とリカレントニューラルネットワーク(RNN)を組み合わせる。
  論文  参考訳（メタデータ） (2021-12-05T19:38:42Z)
• Integrating LSTMs and GNNs for COVID-19 Forecasting [0.0]
  我々は、過去472日間に37カ国のデータに基づいて、毎日の新型コロナウイルスの新しいケース予測モデルを構築した。 我々は,平均絶対スケール誤差(MASE)に基づく最先端グラフ時系列モデルと比較して,優れた性能を示す。 この研究は政策決定に重要な応用をもたらし、パンデミックの資源管理の可能性を分析する。
  論文  参考訳（メタデータ） (2021-07-14T14:14:33Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Comparison of Traditional and Hybrid Time Series Models for Forecasting COVID-19 Cases [0.5849513679510832]
  2019年12月の新型コロナウイルスの感染は、すでに世界中で数百万人を感染させ、拡大し続けています。 流行のカーブが平ら化し始めた直後、多くの国が再びケースの増加を目撃し始めている。 したがって、国家当局や保健当局に将来の時代の即時戦略を提供するには、時系列予測モデルの徹底的な分析が必要です。
  論文  参考訳（メタデータ） (2021-05-05T14:56:27Z)
• Demand Forecasting using Long Short-Term Memory Neural Networks [0.0]
  長期記憶ニューラルネットワーク(LSTM)は,eグロサリー小売業における需要予測に適している。 統計モデルと機械学習モデルの比較モデルより, 食品のモデルの方がよい結果が得られた。
  論文  参考訳（メタデータ） (2020-08-19T16:01:23Z)
• From Sound Representation to Model Robustness [82.21746840893658]
  本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-27T17:30:49Z)
• Time Series Analysis and Forecasting of COVID-19 Cases Using LSTM and ARIMA Models [4.56877715768796]
  世界保健機関(WHO)が世界的な公衆衛生危機を宣言している。 本研究では,いくつかのLong Short-Term Memory(LSTM)モデルとAuto-Regressive Integrated Integrated Average(ARIMA)モデルを用いて,新型コロナウイルス感染者数の予測を行った。
  論文  参考訳（メタデータ） (2020-06-05T20:07:48Z)

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。