論文の概要: EpiLearn: A Python Library for Machine Learning in Epidemic Modeling

• arxiv url: http://arxiv.org/abs/2406.06016v1
• Date: Mon, 10 Jun 2024 04:35:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-11 14:56:31.051527
• Title: EpiLearn: A Python Library for Machine Learning in Epidemic Modeling
• Title（参考訳）: EpiLearn: エピデミックモデリングにおける機械学習のためのPythonライブラリ
• Authors: Zewen Liu, Yunxiao Li, Mingyang Wei, Guancheng Wan, Max S. Y. Lau, Wei Jin,
• Abstract要約: EpiLearnは、疫病データをモデリング、シミュレーション、分析するために開発されたPythonツールキットである。 EpiLearnはモジュラーデザインに従っており、柔軟で使いやすくなっている。 実世界やシミュレートされた疫病データを可視化するインタラクティブなWebアプリケーションも開発されている。
• 参考スコア（独自算出の注目度）: 4.759476168946188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: EpiLearn is a Python toolkit developed for modeling, simulating, and analyzing epidemic data. Although there exist several packages that also deal with epidemic modeling, they are often restricted to mechanistic models or traditional statistical tools. As machine learning continues to shape the world, the gap between these packages and the latest models has become larger. To bridge the gap and inspire innovative research in epidemic modeling, EpiLearn not only provides support for evaluating epidemic models based on machine learning, but also incorporates comprehensive tools for analyzing epidemic data, such as simulation, visualization, transformations, etc. For the convenience of both epidemiologists and data scientists, we provide a unified framework for training and evaluation of epidemic models on two tasks: Forecasting and Source Detection. To facilitate the development of new models, EpiLearn follows a modular design, making it flexible and easy to use. In addition, an interactive web application is also developed to visualize the real-world or simulated epidemic data. Our package is available at https://github.com/Emory-Melody/EpiLearn.
• Abstract（参考訳）: EpiLearnは、疫病データをモデリング、シミュレーション、分析するために開発されたPythonツールキットである。 流行モデルにも対処するパッケージがいくつか存在するが、機械モデルや伝統的な統計ツールに制限されることが多い。 機械学習が世界を形作るにつれ、これらのパッケージと最新のモデルの間のギャップが大きくなる。 EpiLearnは、このギャップを埋めて、疫病モデルにおける革新的な研究を刺激するために、機械学習に基づく疫病モデルの評価のサポートを提供するだけでなく、シミュレーション、可視化、変換などの疫病データを分析する包括的なツールも組み込んでいる。 疫学者とデータ科学者の双方の便宜のために、私たちは2つのタスクにおける疫学モデルのトレーニングと評価のための統合されたフレームワークを提供する:予測とソース検出。 新しいモデルの開発を容易にするために、EpiLearnはモジュラー設計に従っており、柔軟性と使いやすくしている。 また、実世界やシミュレートされた疫病データを可視化するインタラクティブなWebアプリケーションも開発されている。 私たちのパッケージはhttps://github.com/Emory-Melody/EpiLearn.comから入手可能です。

関連論文リスト

• Metapopulation Graph Neural Networks: Deep Metapopulation Epidemic Modeling with Human Mobility [14.587916407752719]
  多段階多地域流行予測のための新しいハイブリッドモデルMepoGNNを提案する。 本モデルでは, 確認症例数だけでなく, 疫学的パラメータも明示的に学習できる。
  論文  参考訳（メタデータ） (2023-06-26T17:09:43Z)
• Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
  ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。 専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
  論文  参考訳（メタデータ） (2022-10-11T10:20:31Z)
• Fitting a Directional Microstructure Model to Diffusion-Relaxation MRI Data with Self-Supervised Machine Learning [2.8167227950959206]
  教師付き学習の魅力的な代替手段として、自己教師型機械学習が登場している。 本稿では,指向性マイクロ構造モデルに適用可能な自己教師型機械学習モデルを実証する。 提案手法は, パラメータ推定と計算時間において, 通常の非線形最小二乗整合と比較して明らかに改善されている。
  論文  参考訳（メタデータ） (2022-10-05T15:51:39Z)
• 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)
• Unifying Epidemic Models with Mixtures [28.771032745045428]
  新型コロナウイルスのパンデミックは、感染モデルに対する強固な理解の必要性を強調している。 本稿では2つのアプローチをブリッジする単純な混合モデルを提案する。 モデルは非機械的であるが、ネットワーク化されたSIRフレームワークに基づくプロセスの自然な結果として現れることを示す。
  論文  参考訳（メタデータ） (2022-01-07T19:42:05Z)
• Learning Dynamics Models for Model Predictive Agents [28.063080817465934]
  モデルに基づく強化学習は、データからテクトダイナミックスモデルを学習し、そのモデルを使用して振る舞いを最適化する。 本稿では, 動的モデル学習における設計選択の役割を, 基礎構造モデルとの比較により明らかにすることを目的としている。
  論文  参考訳（メタデータ） (2021-09-29T09:50:25Z)
• MLMOD: Machine Learning Methods for Data-Driven Modeling in LAMMPS [0.0]
  マイクロスケール力学と分子動力学を特徴付けるためのプロトタイプC++/Pythonパッケージを提案する。 このパッケージは、現在、メソモッドおよび分子動力学シミュレーションパッケージLAMMPSとPyTorchと統合されている。
  論文  参考訳（メタデータ） (2021-07-29T22:55:26Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。