A Study on Graph-Structured Recurrent Neural Networks and Sparsification with Application to Epidemic Forecasting
A Study on Graph-Structured Recurrent Neural Networks and Sparsification with Application to Epidemic Forecasting
复制标题
图结构递归神经网络及其稀疏化在流行病预测中的应用研究
DOI：
10.1007/978-3-030-21803-4_73
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Xin, Jack
中科院分区：
文献类型：
--
作者：
LI, Zhijian;Luo, Xiyang;Wang, Bao;Bertozzi, Andrea L.;Xin, Jack
我们使用图结构递归神经网络(GSRNN)对真实世界的健康数据进行疫情预测。我们在基准CDC数据集上实现了最先进的预测精度。为了提高模型的效率，我们通过转换惩罚来稀疏网络权值，而不损失数值实验中的预测精度。
We study epidemic forecasting on real-world health data by a graph-structured recurrent neural network (GSRNN). We achieve state-of-the-art forecasting accuracy on the benchmark CDC dataset. To improve model efficiency, we sparsify the network weights via a transformed-penalty without losing prediction accuracy in numerical experiments.
影响因子：
4.4
作者：
Nsoesie EO;Brownstein JS;Ramakrishnan N;Marathe MV
通讯作者：
Marathe MV
DOI：
--
发表时间：
2017-07
期刊：
ArXiv
影响因子：
--
作者：
Bao Wang;Duo Zhang;Duanhao Zhang;P. Brantingham;A. Bertozzi
通讯作者：
Bao Wang;Duo Zhang;Duanhao Zhang;P. Brantingham;A. Bertozzi
DOI：
10.1007/s11401-019-0168-y
发表时间：
2017-11
期刊：
Chinese Annals of Mathematics, Series B
影响因子：
--
作者：
Bao Wang;Penghang Yin;A. Bertozzi;P. Brantingham;S. Osher;J. Xin
通讯作者：
Bao Wang;Penghang Yin;A. Bertozzi;P. Brantingham;S. Osher;J. Xin