論文の概要: Deep COVID-19 Forecasting for Multiple States with Data Augmentation
- arxiv url: http://arxiv.org/abs/2302.01155v1
- Date: Thu, 2 Feb 2023 15:16:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-03 13:35:05.176776
- Title: Deep COVID-19 Forecasting for Multiple States with Data Augmentation
- Title（参考訳）: データ拡張で複数の州で感染拡大の予測を下方修正
- Authors: Chung Yan Fong and Dit-Yan Yeung
- Abstract要約: 本研究は、米国(米国)における毎週の累積死亡状況と、ドイツにおけるインシデント事例について、国家レベルの新型コロナウイルスの傾向を予測するためのディープラーニングアプローチを提案する。
このアプローチには、トランスモデル、アンサンブル法、時系列データ拡張技術が含まれる。
私たちのモデルは、米国とドイツ向けのCOVID-19 Forecast Hubで、最高の州レベルの成果を達成しました。
- 参考スコア（独自算出の注目度）: 10.197800697048903
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we propose a deep learning approach to forecasting state-level
COVID-19 trends of weekly cumulative death in the United States (US) and
incident cases in Germany. This approach includes a transformer model, an
ensemble method, and a data augmentation technique for time series. We arrange
the inputs of the transformer in such a way that predictions for different
states can attend to the trends of the others. To overcome the issue of
scarcity of training data for this COVID-19 pandemic, we have developed a novel
data augmentation technique to generate useful data for training. More
importantly, the generated data can also be used for model validation. As such,
it has a two-fold advantage: 1) more actual observations can be used for
training, and 2) the model can be validated on data which has distribution
closer to the expected situation. Our model has achieved some of the best
state-level results on the COVID-19 Forecast Hub for the US and for Germany.
- Abstract（参考訳）: 本研究は、米国(米国)における毎週の累積死亡状況と、ドイツにおけるインシデント事件の状況を予測するためのディープラーニングアプローチを提案する。
このアプローチには、変圧器モデル、アンサンブル法、時系列データ拡張技術が含まれる。
変換器の入力を、異なる状態の予測が他の状態の傾向に付随するように配置する。
新型コロナウイルス(COVID-19)パンデミックのトレーニングデータの不足を克服するため、トレーニングに有用なデータを生成する新しいデータ拡張技術を開発した。
さらに重要なことに、生成されたデータはモデル検証にも使用できる。
そのため、2倍の利点がある。
1)より実際の観察を訓練に用いることができ、
2) 予測された状況に近い分布を持つデータに基づいてモデルを検証できる。
私たちのモデルは、米国とドイツ向けのCOVID-19 Forecast Hubで、最高の州レベルの成果を達成しました。
関連論文リスト
- Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - Ask Your Distribution Shift if Pre-Training is Right for You [74.18516460467019]
実際に、事前訓練されたモデルの微調整は、いくつかのケースではロバスト性を大幅に改善するが、他のケースではまったく改善しない。
分散シフト中のモデルの2つの障害モード – トレーニングデータの補間不足とバイアス – に注目する。
我々の研究は、親指の規則として、事前学習は、粗悪な外挿を緩和するがデータセットのバイアスを緩和する助けとなることを示唆している。
論文 参考訳（メタデータ） (2024-02-29T23:46:28Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - 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) - How to Learn when Data Gradually Reacts to Your Model [10.074466859579571]
我々は,これらの効果が存在する場合でも,性能損失を最小限に抑えるための新しいアルゴリズム Stateful Performative Gradient Descent (Stateful PerfGD) を提案する。
実験の結果, Stateful PerfGD は従来の最先端手法よりもかなり優れていたことが確認された。
論文 参考訳（メタデータ） (2021-12-13T22:05:26Z) - Improving COVID-19 Forecasting using eXogenous Variables [7.245000255986182]
米国におけるパンデミック・コースについて、国家レベルと国家レベルのデータを用いて検討する。
本稿では,補助変数を組み込んだ時系列予測手法を提案し,比較する。
論文 参考訳（メタデータ） (2021-07-20T03:26:18Z) - 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) - Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。
我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。
CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
論文 参考訳（メタデータ） (2021-05-18T15:13:00Z) - Examining Deep Learning Models with Multiple Data Sources for COVID-19
Forecasting [10.052302234274256]
COVID-19予測のためのディープラーニングモデルの設計と分析を行う。
新型コロナウイルス(COVID-19)や死亡例数などの複数のソースが、より良い予測のためにデータとテストデータを数えている。
時間的予測のためのクラスタリングに基づくトレーニングを提案する。
論文 参考訳（メタデータ） (2020-10-27T17:52:02Z) - Adaptive County Level COVID-19 Forecast Models: Analysis and Improvement [1.8899300124593645]
我々は、国家レベルと郡のレベルモデルであるTDEFSI-LONLYを、国内レベルと郡レベルのCOVID-19データに適用する。
このモデルは現在のパンデミックを予測できない。
低次元の時間パターンを学習するために、全国のケースでLSTMバックボーンをトレーニングする、別の予測モデルである、郡レベルの疫学的推論リカレントネットワーク(alg)を提案する。
論文 参考訳（メタデータ） (2020-06-16T17:20:54Z)
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。