ترجمه فارسی مقاله یک شبکه عصبی عمیق تقویت‌شده چندجانبه برای پیش‌بینی شیوع بیماری: مطالعه موردی در مورد COVID-19

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19
عنوان مقاله به فارسی یک شبکه عصبی عمیق تقویت‌شده چندجانبه برای پیش‌بینی شیوع بیماری: مطالعه موردی در مورد COVID-19
نویسندگان Ashutosh Anshul, Jhalak Gupta, Mohammad Zia Ur Rehman, Nagendra Kumar
فرمت مقاله انگلیسی PDF
تعداد صفحات 23
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 26 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 26 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

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.

چکیده به فارسی (ترجمه ماشینی)

تأثیر جهانی همه گیر COVID-19 قابل توجه بوده است ، و این امر مستلزم توسعه مدل های پیش بینی دقیق برای پیش بینی گسترش و مسیر همه گیر است.روشهای قبلی برای پیش بینی شیوع با عدم استفاده از منابع مختلف ورودی و عملکرد زیر حد متوسط ​​به دلیل محدود بودن داده ها ، با محدودیت هایی روبرو شده است.در این مطالعه ، ما یک رویکرد جدید برای پرداختن به چالش های پیش بینی بیماری های عفونی پیشنهاد می کنیم.ما یک مدل GRU با توجه چند جانبه را معرفی می کنیم که اطلاعات را از چندین منبع استفاده می کند ، بنابراین یک تجزیه و تحلیل جامع از عوامل مؤثر در گسترش یک همه گیر را امکان پذیر می کند.با ترکیب مکانیسم های توجه در یک چارچوب GRU ، مدل ما می تواند به طور مؤثر روابط پیچیده و وابستگی های زمانی را در داده ها ضبط کند و منجر به بهبود عملکرد پیش بینی شود.علاوه بر این ، ما یک مجموعه داده چند منبع خوب ساختار یافته را برای همه گیر اخیر COVID-19 که جامعه تحقیقاتی می تواند به عنوان یک منبع عالی برای انجام آزمایشات و تجزیه و تحلیل در پیش بینی سری زمانی استفاده کند ، تنظیم کرده ایم.ما مدل پیشنهادی را در مجموعه داده COVID-19 خود ارزیابی کردیم و از نظر RMSE و MAE خروجی را گزارش کردیم.نتایج تجربی شواهدی را ارائه می دهد که نشان می دهد مدل پیشنهادی ما از نظر عملکرد از تکنیک های موجود پیشی می گیرد.ما همچنین سود عملکرد و تجزیه و تحلیل کیفی را در مجموعه داده های خود انجام دادیم تا تأثیر مکانیسم توجه را ارزیابی کنیم و نشان دهیم که مدل پیشنهادی از نزدیک مسیر همه گیر را دنبال می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.