論文の概要: Deep learning and MCMC with aggVAE for shifting administrative
boundaries: mapping malaria prevalence in Kenya
- arxiv url: http://arxiv.org/abs/2305.19779v3
- Date: Sat, 15 Jul 2023 09:32:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 22:12:21.891339
- Title: Deep learning and MCMC with aggVAE for shifting administrative
boundaries: mapping malaria prevalence in Kenya
- Title（参考訳）: aggVAEを用いた深層学習とMCMCによる行政境界の変化--ケニアにおけるマラリア流行のマッピング
- Authors: Elizaveta Semenova, Swapnil Mishra, Samir Bhatt, Seth Flaxman, H
Juliette T Unwin
- Abstract要約: 我々は、最近提案されたPreferVAE法に基づいて、管理単位上の集合を符号化することで、変動するオートエンコーダを持つ小さな領域における空間的先行を符号化する。
2010年に行政境界が変わったケニアのマラリア流行を地図化します。
- 参考スコア（独自算出の注目度）: 1.9599274203282302
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Model-based disease mapping remains a fundamental policy-informing tool in
the fields of public health and disease surveillance. Hierarchical Bayesian
models have emerged as the state-of-the-art approach for disease mapping since
they are able to both capture structure in the data and robustly characterise
uncertainty. When working with areal data, e.g.~aggregates at the
administrative unit level such as district or province, current models rely on
the adjacency structure of areal units to account for spatial correlations and
perform shrinkage. The goal of disease surveillance systems is to track disease
outcomes over time. This task is especially challenging in crisis situations
which often lead to redrawn administrative boundaries, meaning that data
collected before and after the crisis are no longer directly comparable.
Moreover, the adjacency-based approach ignores the continuous nature of spatial
processes and cannot solve the change-of-support problem, i.e.~when estimates
are required to be produced at different administrative levels or levels of
aggregation. We present a novel, practical, and easy to implement solution to
solve these problems relying on a methodology combining deep generative
modelling and fully Bayesian inference: we build on the recently proposed
PriorVAE method able to encode spatial priors over small areas with variational
autoencoders by encoding aggregates over administrative units. We map malaria
prevalence in Kenya, a country in which administrative boundaries changed in
2010.
- Abstract（参考訳）: モデルに基づく疾病マッピングは、公衆衛生と疾病監視の分野でも基本的なポリシーインフォーメーションツールである。
階層ベイズモデルは、データの構造をキャプチャし、不確かさを堅牢に特徴付けることができるため、疾患マッピングの最先端のアプローチとして登場してきた。
地域や州などの行政単位レベルでアラルデータを扱う場合、現在のモデルは空間的相関を考慮し縮小を行うためにアラル単位の隣接構造に依存している。
疾病監視システムの目標は、経時的に病気の結果を追跡することである。
この課題は、しばしば行政境界の再検討につながる危機的状況において特に困難であり、危機前後に収集されたデータは、もはや直接的に比較されない。
さらに、隣接性に基づくアプローチは、空間プロセスの連続的な性質を無視し、サポートの変化問題を解決することができない。
本稿では, 深層生成モデルと完全ベイズ推定を組み合わせた手法を用いて, これらの問題を解決するための新しい, 実用的で, 実装が容易な解法を提案する。
2010年に行政境界が変わったケニアのマラリア流行を地図化します。
関連論文リスト
- Beyond the Eye: A Relational Model for Early Dementia Detection Using Retinal OCTA Images [42.75763279888966]
早期発症アルツハイマー病 (AD) と軽度認知障害 (MCI) をコントロールから識別するために, 網膜光コヒーレンストモグラフィー (OCTA) を用いた新しいPolarNet+を提案する。
提案手法は,まずカルト座標から極座標へのOCTA画像のマッピングを行う。
次に,包括的かつ臨床的に有用な情報抽出のための3次元画像のシリアライズと解析を行う多視点モジュールを提案する。
論文 参考訳（メタデータ） (2024-08-09T15:10:34Z) - Decision Mamba: A Multi-Grained State Space Model with Self-Evolution Regularization for Offline RL [57.202733701029594]
決定マンバ(Decision Mamba)は、自己進化的な政策学習戦略を持つ、新しい多粒状態空間モデルである。
雑音性軌道上における過度に適合する問題を緩和するために,進行正則化を用いて自己進化政策を提案する。
この政策は、自身の過去の知識を用いて、準最適動作を洗練させ、ノイズの多い実演における堅牢性を高めることで進化する。
論文 参考訳（メタデータ） (2024-06-08T10:12:00Z) - Class Attention to Regions of Lesion for Imbalanced Medical Image
Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。
CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。
その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文 参考訳（メタデータ） (2023-07-19T15:19:02Z) - Dynamics-informed deconvolutional neural networks for super-resolution
identification of regime changes in epidemiological time series [0.0]
本研究は, 物理インフォームド・畳み込みニューラルネットワークを逆向きに開発し, 死亡記録と入射を関連づける。
このアプローチは、ロックダウンやその他の薬品以外の介入の実装と除去を、1年間に0.93日間の精度で特定することができる。
論文 参考訳（メタデータ） (2022-09-16T09:02:55Z) - Towards a Unified Pandemic Management Architecture: Survey, Challenges
and Future Directions [1.1470070927586016]
SARS-CoV-2は、世界中の健康、経済、社会に前例のない影響を与えている。
疫学、臨床、生理学のデータを収集し、緩和策について決定を下そうとしている。
IoT(Internet of Things)とエッジコンピューティングの進歩は、データ収集とインテリジェントな計算を通じて、パンデミック管理のためのソリューションを提供する。
我々は、IoTとエッジコンピューティングを活用する統一的なパンデミック管理アーキテクチャを構想し、ワクチン配布、動的ロックダウン、移動スケジューリング、パンデミック予測の推奨を自動化する。
論文 参考訳（メタデータ） (2022-02-04T02:01:02Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - Efficient Learning and Decoding of the Continuous-Time Hidden Markov
Model for Disease Progression Modeling [119.50438407358862]
本稿では,CT-HMMモデルに対する効率的なEMベースの学習手法の完全な特徴付けについて述べる。
EMに基づく学習は、後状態確率の推定と、状態条件付き統計量の計算という2つの課題から成り立っていることを示す。
緑内障データセットとアルツハイマー病データセットを用いて,100以上の状態のCT-HMMを用いて疾患進行の可視化と予測を行う。
論文 参考訳（メタデータ） (2021-10-26T20:06:05Z) - Deep Joint Learning of Pathological Region Localization and Alzheimer's
Disease Diagnosis [4.5484714814315685]
BrainBagNetは、病理領域の局在とアルツハイマー病の診断を共同で学習するためのフレームワークである。
提案手法は、全脳MRI画像からのパッチレベル応答と位置情報からの識別的脳領域を示す。
5倍のクロスバリデーションにおいて,提案手法の分類性能は,AD診断および軽度認知障害予測タスクにおいて,最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-08-10T10:06:54Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - Hierarchical Reinforcement Learning for Automatic Disease Diagnosis [52.111516253474285]
政策学習のための対話システムに2段階の階層的な政策構造を統合することを提案する。
提案した政策構造は,多くの疾患や症状を含む診断問題に対処することができる。
論文 参考訳（メタデータ） (2020-04-29T15:02:41Z)
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。