論文の概要: A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19
- arxiv url: http://arxiv.org/abs/2408.14519v1
- Date: Mon, 26 Aug 2024 06:31:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-28 17:51:48.965957
- Title: A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19
- Title（参考訳）: 病的アウトブレイク予測のための多面的注意強化型ディープニューラルネットワーク : COVID-19を事例として
- Authors: Ashutosh Anshul, Jhalak Gupta, Mohammad Zia Ur Rehman, Nagendra Kumar,
- Abstract要約: 本稿では,感染症予測の課題に対処する新しいアプローチを提案する。
本稿では,複数の情報源からの情報を活用するマルチラテラルアテンション強化型GRUモデルを提案する。
GRUフレームワークに注意機構を組み込むことで、我々のモデルはデータ内の複雑な関係や時間的依存を効果的に捉えることができる。
- 参考スコア（独自算出の注目度）: 0.6874745415692134
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The worldwide impact of the recent COVID-19 pandemic has been substantial, necessitating the development of accurate forecasting models to predict the spread and course of a pandemic. Previous methods for outbreak forecasting have faced limitations by not utilizing multiple sources of input and yielding suboptimal performance due to the limited availability of data. In this study, we propose a novel approach to address the challenges of infectious disease forecasting. We introduce a Multilateral Attention-enhanced GRU model that leverages information from multiple sources, thus enabling a comprehensive analysis of factors influencing the spread of a pandemic. By incorporating attention mechanisms within a GRU framework, our model can effectively capture complex relationships and temporal dependencies in the data, leading to improved forecasting performance. Further, we have curated a well-structured multi-source dataset for the recent COVID-19 pandemic that the research community can utilize as a great resource to conduct experiments and analysis on time-series forecasting. We evaluated the proposed model on our COVID-19 dataset and reported the output in terms of RMSE and MAE. The experimental results provide evidence that our proposed model surpasses existing techniques in terms of performance. We also performed performance gain and qualitative analysis on our dataset to evaluate the impact of the attention mechanism and show that the proposed model closely follows the trajectory of the pandemic.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)パンデミックの世界的な影響は深刻で、パンデミックの広がりと進行を予測するための正確な予測モデルの開発が必要である。
これまでの予測手法では,複数の入力源を利用せず,データの可用性に限界があるため,最適性能が得られなかった。
本研究では,感染症予測の課題に対処するための新しいアプローチを提案する。
本稿では,複数の情報源からの情報を活用し,パンデミックの広がりに影響を与える要因を包括的に分析する多面的注意強化型GRUモデルを提案する。
GRUフレームワークに注意機構を組み込むことで、データ内の複雑な関係や時間的依存を効果的に捉えることができ、予測性能が向上する。
さらに,近年のCOVID-19パンデミックに対するマルチソースデータセットを整理し,研究コミュニティが時系列予測の実験と分析を行うための優れたリソースとして利用できるようにした。
提案したモデルを私たちのCOVID-19データセット上で評価し,RMSEとMAEの両点からアウトプットを報告した。
実験結果から,提案手法が既存手法よりも性能的に優れていることを示す。
また,本データセットの性能向上と定性解析を行い,アテンションメカニズムの影響評価を行い,提案モデルがパンデミックの軌跡に密接に従っていることを示す。
関連論文リスト
- Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - 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) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - 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) - Predicting infections in the Covid-19 pandemic -- lessons learned [5.981641988736108]
本稿では,XPrize Pandemic Response Challengeのために提案された予測アルゴリズムから始める。
モデル化された地域の文化に関する付加的な情報でアルゴリズムを増強することで、短期予測の性能を向上させることができることがわかった。
中期予測の精度は依然として低く、そのようなモデルを公共政策ツールボックスの信頼性の高いコンポーネントにするためには、かなりの量の将来の研究が必要である。
論文 参考訳（メタデータ） (2021-12-02T20:20:46Z) - 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) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - 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) - Statistical Analytics and Regional Representation Learning for COVID-19
Pandemic Understanding [4.731074162093199]
新型コロナウイルスの感染拡大が世界のほぼすべての国に深刻な影響を与えている。
本稿では、統一された情報ソースを提供するために、公開データセットの広範なコレクションを統合し、処理する。
本研究では,予測イベントモデリングのために,DoubleWindowLSTM-CPと呼ばれる特定のRNNベースの推論パイプラインを提案する。
論文 参考訳（メタデータ） (2020-08-08T03:35:16Z) - DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive
Surveillance of COVID-19 Using Heterogeneous Features and their Interactions [2.30238915794052]
今後の新型コロナウイルス感染者の増加範囲を予測するための深層学習モデルを提案する。
様々なソースから収集したデータを用いて、米国全郡で7日以内に感染が拡大する範囲を推定する。
論文 参考訳（メタデータ） (2020-07-31T23:37:38Z)
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。