Fugu-MT 論文翻訳(概要): Systematic analysis of the effectiveness of adding human mobility data to covid-19 case prediction linear models

論文の概要: Systematic analysis of the effectiveness of adding human mobility data to covid-19 case prediction linear models

arxiv url: http://arxiv.org/abs/2407.10304v1
Date: Sun, 5 May 2024 03:59:09 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 12:59:07.429853
Title: Systematic analysis of the effectiveness of adding human mobility data to covid-19 case prediction linear models
Title（参考訳）: コービッド19ケース予測線形モデルへの人体移動データ追加の有効性の体系的解析
Authors: Saad Mohammad Abrar, Naman Awasthi, Daniel Smolyak, Vanessa Frias-Martinez,
Abstract要約: 予測モデルにモビリティデータを追加することで、テスト期間の開始時にモデルのパフォーマンスが2ヶ月程度向上する。性能改善は、非運動量ベースラインに対する実際の相関改善に対する予測値として測定される。
参考スコア（独自算出の注目度）: 0.24999074238880484
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Human mobility data has been extensively used in covid-19 case prediction models. Nevertheless, related work has questioned whether mobility data really helps that much. We present a systematic analysis across mobility datasets and prediction lookaheads and reveal that adding mobility data to predictive models improves model performance only for about two months at the onset of the testing period, and that performance improvements -- measured as predicted vs. actual correlation improvement over non-mobility baselines -- are at most 0.3.
Abstract（参考訳）: 人間の移動性データは、コビッド19のケース予測モデルで広く利用されている。それにもかかわらず、関連する研究は、モビリティデータが本当にそのような助けになるかどうかを疑問視している。我々は、モビリティデータセットと予測ルックアヘッドの体系的な分析を行い、予測モデルにモビリティデータを追加することで、テスト期間の開始時に約2ヶ月でモデルパフォーマンスが向上し、予測値と非モビリティベースラインに対する実際の相関改善に対するパフォーマンス改善が少なくとも0.3であることが明らかにした。

関連論文リスト

What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
論文参考訳（メタデータ） (2024-11-12T09:52:40Z)
Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
論文参考訳（メタデータ） (2024-08-24T18:28:19Z)
Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文参考訳（メタデータ） (2024-07-10T19:17:23Z)
Impact of data for forecasting on performance of model predictive control in buildings with smart energy storage [0.0]
モデルデータ効率を改善するための尺度の予測精度への影響を定量化する。負荷予測モデルに2年以上のトレーニングデータを使用することで,予測精度が大幅に向上することはなかった。再使用したモデルと3ヶ月のデータでトレーニングされたモデルでは、ベースラインよりも平均10%高いエラーがあった。
論文参考訳（メタデータ） (2024-02-19T21:01:11Z)
A fairness assessment of mobility-based COVID-19 case prediction models [0.0]
予測モデルのトレーニングに使用されるモビリティデータのバイアスが、特定の人口集団に対して不当に精度の低い予測に繋がる可能性があるという仮説を検証した。特に、モデルは大きく、高度に教育され、富裕な若者、都市、非黒人が支配する郡を好む傾向にある。
論文参考訳（メタデータ） (2022-10-08T03:43:51Z)
Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
論文参考訳（メタデータ） (2022-07-29T22:35:05Z)
Measuring Causal Effects of Data Statistics on Language Model's `Factual' Predictions [59.284907093349425]
大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
論文参考訳（メタデータ） (2022-07-28T17:36:24Z)
An Empirical Study on Distribution Shift Robustness From the Perspective of Pre-Training and Data Augmentation [91.62129090006745]
本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
論文参考訳（メタデータ） (2022-05-25T13:04:53Z)
The Evolution of Out-of-Distribution Robustness Throughout Fine-Tuning [25.85044477227461]
このベースラインに対するアウト・オブ・ディストリビューションデータより正確であるモデルは「有効ロバスト性」を示す。より大規模なデータセットで事前トレーニングされたモデルは、収束時に消滅するトレーニング中に効果的な堅牢性を示す。本稿では, 最先端システムに効率的なロバスト性を拡張し, 最先端モデルの分布外精度を向上させるためのいくつかの戦略について論じる。
論文参考訳（メタデータ） (2021-06-30T06:21:42Z)
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)

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。