論文の概要: A data augmentation strategy for deep neural networks with application to epidemic modelling

• arxiv url: http://arxiv.org/abs/2502.21033v1
• Date: Fri, 28 Feb 2025 13:24:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:42:50.845386
• Title: A data augmentation strategy for deep neural networks with application to epidemic modelling
• Title（参考訳）: ディープニューラルネットワークのためのデータ拡張戦略と流行モデルへの応用
• Authors: Muhammad Awais, Abu Sayfan Ali, Giacomo Dimarco, Federica Ferrarese, Lorenzo Pareschi,
• Abstract要約: 本稿では,最近導入されたSIR型モデルに対するデータ駆動型手法とディープニューラルネットワークの適用例を示す。 この結果から,データ駆動モデルに適したロバストなデータ拡張戦略により,フィードフォワードニューラルネットワーク(FNN)とオートレグレッシブネットワーク(NAR)の信頼性が向上することが示唆された。 このアプローチは非線形力学を扱う能力を高め、流行予測のためのスケーラブルでデータ駆動型ソリューションを提供する。
• 参考スコア（独自算出の注目度）: 2.4537195774258556
• License:
• Abstract: In this work, we integrate the predictive capabilities of compartmental disease dynamics models with machine learning ability to analyze complex, high-dimensional data and uncover patterns that conventional models may overlook. Specifically, we present a proof of concept demonstrating the application of data-driven methods and deep neural networks to a recently introduced SIR-type model with social features, including a saturated incidence rate, to improve epidemic prediction and forecasting. Our results show that a robust data augmentation strategy trough suitable data-driven models can improve the reliability of Feed-Forward Neural Networks (FNNs) and Nonlinear Autoregressive Networks (NARs), making them viable alternatives to Physics-Informed Neural Networks (PINNs). This approach enhances the ability to handle nonlinear dynamics and offers scalable, data-driven solutions for epidemic forecasting, prioritizing predictive accuracy over the constraints of physics-based models. Numerical simulations of the post-lockdown phase of the COVID-19 epidemic in Italy and Spain validate our methodology.
• Abstract（参考訳）: 本研究では,複合的,高次元的なデータを分析し,従来のモデルが見落としている可能性のあるパターンを明らかにする機械学習能力と,コンパートメンタル・ディファレンス・ダイナミクス・モデルの予測能力を統合する。 具体的には、データ駆動型手法とディープニューラルネットワークの応用を、飽和入射率を含む社会的特徴を持つ最近導入されたSIR型モデルに適用し、流行の予測と予測を改善するための概念実証を行う。 この結果から,データ駆動モデルに適したロバストなデータ拡張戦略により,フィードフォワードニューラルネットワーク (FNN) と非線形自己回帰ニューラルネットワーク (NAR) の信頼性が向上し,物理インフォームドニューラルネットワーク (PINN) の代替となる可能性が示唆された。 このアプローチは、非線形力学を扱う能力を高め、拡張性のあるデータ駆動型ソリューションを提供し、物理ベースのモデルの制約に対して予測精度を優先する。 イタリアとスペインで発生したCOVID-19感染拡大後のロックダウンフェーズの数値シミュレーションが、我々の方法論を検証した。

関連論文リスト

• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Physics-informed deep learning for infectious disease forecasting [2.938382489367582]
  物理インフォームドニューラルネットワーク(PINN)に基づく新しい感染症予測モデルを提案する。 提案するPINNモデルでは,障害伝達の動的システム表現を損失関数に組み込む。 ケース数、死亡数、入院数に関するPINNモデルの予測は、既存のベンチマークと一致している。
  論文  参考訳（メタデータ） (2025-01-16T05:07:05Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• 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)
• A novel approach for predicting epidemiological forecasting parameters based on real-time signals and Data Assimilation [3.4901787251083163]
  我々は、様々なデータソースと融合手法を用いて、畳み込みニューラルネットワーク(CNN)モデルのアンサンブルを実装し、ロバストな予測を構築する。 気象信号とソーシャルメディアを用いた人口密度マップを組み合わせることで、ロンドンにおける新型コロナウイルスの流行予測の性能と柔軟性が向上した。
  論文  参考訳（メタデータ） (2023-07-03T17:05:29Z)
• 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)
• Approaching epidemiological dynamics of COVID-19 with physics-informed neural networks [23.95944607153291]
  SIRモデルに埋め込まれた物理インフォームドニューラルネットワーク(PINN)は、感染症の時間的進化のダイナミクスを理解するために考案された。 この手法はドイツで報告された新型コロナウイルス(COVID-19)のデータに適用され、ウイルスの拡散傾向を正確に把握し予測できることが示されている。
  論文  参考訳（メタデータ） (2023-02-17T10:36:58Z)
• 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)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。

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。