論文の概要: Inter- and Intra-Series Embeddings Fusion Network for Epidemiological Forecasting

• arxiv url: http://arxiv.org/abs/2208.11515v1
• Date: Tue, 23 Aug 2022 14:00:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-25 12:21:43.577170
• Title: Inter- and Intra-Series Embeddings Fusion Network for Epidemiological Forecasting
• Title（参考訳）: 疫学予測のための核融合ネットワークのシリーズ間およびシリーズ内埋め込み
• Authors: Feng Xie, Zhong Zhang, Xuechen Zhao, Bin Zhou, Yusong Tan
• Abstract要約: 本研究では,疫病予測性能を向上させるために,シリーズ間およびシリーズ内埋め込み型核融合ネットワーク(SEFNet)を提案する。 SEFNetは、Inter-Series Embedding ModuleとInter-Series Embedding Moduleという2つの並列モジュールで構成されている。 実世界の流行に関連する4つのデータセットの実験では、SEFNetは有効であり、最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 11.698316790084123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The accurate forecasting of infectious epidemic diseases is the key to effective control of the epidemic situation in a region. Most existing methods ignore potential dynamic dependencies between regions or the importance of temporal dependencies and inter-dependencies between regions for prediction. In this paper, we propose an Inter- and Intra-Series Embeddings Fusion Network (SEFNet) to improve epidemic prediction performance. SEFNet consists of two parallel modules, named Inter-Series Embedding Module and Intra-Series Embedding Module. In Inter-Series Embedding Module, a multi-scale unified convolution component called Region-Aware Convolution is proposed, which cooperates with self-attention to capture dynamic dependencies between time series obtained from multiple regions. The Intra-Series Embedding Module uses Long Short-Term Memory to capture temporal relationships within each time series. Subsequently, we learn the influence degree of two embeddings and fuse them with the parametric-matrix fusion method. To further improve the robustness, SEFNet also integrates a traditional autoregressive component in parallel with nonlinear neural networks. Experiments on four real-world epidemic-related datasets show SEFNet is effective and outperforms state-of-the-art baselines.
• Abstract（参考訳）: 伝染病の正確な予測は、地域の流行状況を効果的にコントロールするための鍵である。 既存の手法のほとんどは、予測のために領域間の潜在的な動的依存関係や時間的依存関係や領域間の相互依存性を無視している。 本稿では,疫病予測性能を向上させるために,SEFNet(Inter-Series Embeddings Fusion Network)を提案する。 SEFNetは、Inter-Series Embedding ModuleとInter-Series Embedding Moduleという2つの並列モジュールで構成されている。 シリーズ間埋め込みモジュールでは,複数の領域から取得した時系列間の動的依存関係を捉えるために,セルフアテンションと協調する,領域認識畳み込みと呼ばれるマルチスケール統一畳み込みコンポーネントが提案されている。 シリーズ内埋め込みモジュールは、時系列内の時間的関係をキャプチャするためにLong Short-Term Memoryを使用する。 その後、2つの埋め込みの影響度を学習し、パラメトリック・マトリクス融合法で融合する。 堅牢性をさらに向上するため、SEFNetは従来の自己回帰コンポーネントを非線形ニューラルネットワークと並行して統合する。 4つの実世界の流行関連データセットの実験では、SEFNetは有効であり、最先端のベースラインを上回っている。

関連論文リスト

• SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
  時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:06:35Z)
• Deep Coupling Network For Multivariate Time Series Forecasting [24.01637416183444]
  我々は,MTS予測のための新しいディープカップリングネットワーク,DeepCNを提案する。 提案するDeepCNは,最先端のベースラインに比べて優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-02-23T06:38:08Z)
• Revitalizing Multivariate Time Series Forecasting: Learnable Decomposition with Inter-Series Dependencies and Intra-Series Variations Modeling [14.170879566023098]
  動的傾向情報をより合理的に捉えるための学習可能な分解戦略を導入する。 また、シリーズ間の依存関係とシリーズ間のバリエーションを同時にキャプチャする2つのアテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2024-02-20T03:45:59Z)
• Coupled Attention Networks for Multivariate Time Series Anomaly Detection [10.620044922371177]
  多変量時系列データにおける異常検出のためのアテンションベースニューラルネットワークフレームワーク(CAN)を提案する。 センサ間の関係と時間的依存関係をキャプチャするために、グローバルローカルグラフに基づく畳み込みニューラルネットワークを時間的自己認識モジュールに統合する。
  論文  参考訳（メタデータ） (2023-06-12T13:42:56Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
  グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。 近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。 近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
  論文  参考訳（メタデータ） (2022-03-31T02:45:24Z)
• Joint Demand Prediction for Multimodal Systems: A Multi-task Multi-relational Spatiotemporal Graph Neural Network Approach [7.481812882780837]
  本研究では,マルチモーダル需要予測のためのマルチリレーショナルグラフニューラルネットワーク(MRGNN)を提案する。 マルチリレーショナルグラフニューラルネットワーク(MRGNN)を導入し,異種空間依存性を捉える。 実験はニューヨーク市の実際のデータセットを用いて行われる。
  論文  参考訳（メタデータ） (2021-12-15T12:35:35Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)
• Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal Sentiment Analysis [96.46952672172021]
  Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。 モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
  論文  参考訳（メタデータ） (2021-07-28T23:33:42Z)
• Deep Structural Point Process for Learning Temporal Interaction Networks [7.288706620982159]
  時間的相互作用ネットワークは、ユーザとアイテム間の時系列的相互作用からなる。 従来の手法では時間的相互作用ネットワークの構造情報を考慮できず、必然的に準最適結果につながる。 本稿では,時間的相互作用ネットワークを学習するためのDSPP(Deep Structure Point Process)を提案する。
  論文  参考訳（メタデータ） (2021-07-08T03:07:34Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。