http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : Seungwon Jung (검색결과 1 건)
-
AFID: An AI-based Framework for Analyzing and Forecasting Occurrence of Infectious Diseases
Seungwon Jung 고려대학교 대학원 2022 국내박사
역사적으로 전염병은 공중 보건에 치명적인 결과를 가져왔으며 경제적, 사회적인 활동에도 막대한 피해를 입혔습니다. 전염병에 의한 피해를 경감시키기 위해 전 세계 국가 대부분은 소독, 예방접종 등 다양한 활동을 하고 있으며, 이에 필요한 자원을 준비하고 있습니다. 이러한 활동의 실효성을 높이기 위해 보건 분야에서는 전 세계적으로 1) 감염병의 과거 발생을 효과적으로 분석하고 2) 감염병의 발생을 사전에 정확하게 예측하는 연구가 진행되고 있습니다. 과거 발생에 대한 분석은 기상학, 사회학 등 다양한 분야의 요인과 감염병 사이의 관계를 밝히는 데 목적이 있습니다. 그러나 감염병과 관련된 요인이 너무 많아 최근에는 복잡한 데이터를 다루는 새로운 접근 방식에 대한 요구가 증가하고 있습니다. 한편, 감염병 조기 예측은 다양한 활동에 필요한 적절한 자원을 준비할 시간을 미리 확보할 수 있게 만들어줍니다. 기존 접근 방식이 최근까지 활용되고 있지만 현대 사회의 복잡하고 대규모인 데이터를 처리하는 데는 적합하지 않습니다. 최근의 인공 지능 모델은 대규모 데이터 사이에 숨겨진 복잡한 관계를 처리하는 탁월한 성능으로 인해 많은 관심을 받고 있습니다. 따라서 이러한 모델은 언급한 문제에 대한 해결책이 될 수 있으며, 실제로 감염병에 대한 다양한 연구에서 그 가능성이 입증되고 있습니다. 본 논문에서는 AI 기반 감염병 발생 분석 및 예측 프레임워크, AFID를 제안합니다. AFID는 AI 모델을 감염병 발생 데이터에 적용하여 감염병의 시공간적 발생에 숨겨진 정보를 찾고 미래의 감염병 발생을 예측하는 것을 목표로 합니다. AFID는 텐서 분해 기반 클러스터링 모델, Self-attention 기반 다중 지역 시계열 예측 모델, 그리고 설명 가능한 인공 지능을 사용한 확률적 회귀 모델, 총 세 가지 모델로 구성됩니다. 이 모델들의 성능을 입증하기 위해 기존 모델과의 비교, 결과 분석, 절제 연구 등 각 모델의 목적에 맞는 실험을 진행하였으며, 실험 결과를 보고하면서 전염병에 대한 AI 기반 연구에 대한 통찰력을 제공합니다. Historically, infectious diseases have brought devastating consequences to public health, which also leads to a significant reduction in economic and social activities. To alleviate the damage by infectious diseases, most countries have carried out diverse activities, such as disinfection and vaccination, and prepared the resources necessary for these activities. To enhance the effectiveness of such attempts, the studies on 1) effectively analyzing previous occurrences of infectious diseases and 2) accurately predicting their outbreaks in advance have been conducted worldwide. The analysis of the previous occurrences aims to reveal the relationships between infectious diseases and factors in diverse fields, such as meteorology and sociology. However, since there are too many factors related to infectious diseases, the demand for a novel approach to handle complex data has increased recently. Meanwhile, early forecasting of infectious diseases makes it possible to secure time to prepare the appropriate resources. Although the traditional approach has been exploited for this purpose so far, this approach is unsuitable for handling complex and large-scale data in modern society. Artificial Intelligence (AI) models have drawn significant attention because of their outstanding performance in dealing with complex relationships hidden among large-scale data. Therefore, such models can be the solution to the aforementioned tasks based on infectious disease occurrence data, and actually, the possibility of these models has been proved in diverse studies on infectious diseases. In this dissertation, we propose an AI-based Framework for analyzing and forecasting occurrences of Infectious Diseases (AFID). AFID aims at applying AI models to historical data of infectious diseases for seeking out hidden information in spatio-temporal occurrences of infectious diseases and forecasting the future infectious disease occurrences. AFID consists of three models: a tensor decomposition-based clustering model, a self-attention-based multi-regional time-series forecasting model, and a probabilistic regression model with explainable artificial intelligence. To demonstrate the performance of these models, we conducted the experiments suitable for the goal of each model, including a comparison with existing models, analysis of the results, and ablation studies. We report the experimental results and provide insight into AI-based studies on infectious diseases.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
