Tanujit Chakraborty
PulseAugur coverage of Tanujit Chakraborty — every cluster mentioning Tanujit Chakraborty across labs, papers, and developer communities, ranked by signal.
-
新型TREA-Net模型利用有限数据改进登革热预测
研究人员开发了TREA-Net，这是一种新颖的网络，旨在预测历史数据有限地区的登革热发病率。该模型通过环境时间序列易感-感染-康复（Environmental Time-Series Susceptible-Infected-Recovered）模型的预测来增强现有的神经预测骨干网络，学习一种轻量级的残差校正，可以从数据丰富的地区迁移到数据稀疏的地区。TREA-Net的设计可适应具有不同数量位置的监测系统，并且仅需要学习两个全局参数即…
-
ANGLE框架为圆周数据回归提供新方法
研究人员推出 ANGLE，一个新颖的深度生成框架，专为圆周数据（如角度和方向）的回归而设计。该方法通过学习角度响应的完整条件分布，适应多峰和偏斜的数据结构，从而解决了传统回归技术的局限性。ANGLE 利用广义圆周能量得分 (GCES) 损失，并提供旋转等变性等理论特性，使其适用于计算机视觉、生物学和气象学等领域的应用。
-
新的长记忆水库计算增强了登革热预测能力
研究人员开发了一种新颖的长记忆水库计算框架，以改善登革热预测，特别是在数据稀疏的情况下。所提出的系统将专用的长记忆和短记忆回声状态网络（ESNs）与岭回归读出相结合。引入了两种变体：分数阶ESN（fESN）和小波ESN（wESN），其中fESN结合了分数阶动力学，wESN使用小波平滑来捕捉远程依赖性。与各种登革热数据集和预测范围上的统计和深度学习基线相比，这两种变体都表现出优越的性能。
-
新的深度学习模型增强了概率流行病预测能力
研究人员开发了一种新的深度生成时空回归方法，用于更准确、更可靠的流行病概率预测。该方法内生地量化不确定性，通过从训练模型中采样来提供概率预测。在六个流行病数据集和三个预测范围上的评估表明，与现有的点预测和概率预测的时间和时空基准相比，该方法在两者上都持续表现更优。该研究还探讨了该方法的可解释性，以辅助公共卫生干预。
-
新型NARFIMA模型提升金砖国家汇率预测能力
研究人员开发了一种新的神经自回归分数阶积分移动平均（NARFIMA）模型，以改进对巴西、俄罗斯、印度和中国（金砖国家）等新兴经济体汇率的预测。该模型将ARFIMA的长程记忆特性与神经网络的非线性学习能力相结合，同时考虑了外部经济因素。与现有的基准方法相比，NARFIMA模型在预测金砖国家汇率方面表现出更优越的性能。
-
新的GCSVR模型提高了城市空气污染预测的准确性
研究人员开发了一个新的图卷积支持向量回归（GCSVR）框架，旨在提高城市空气污染预测的准确性。该模型集成了图卷积学习以理解监测站之间的空间关系，并利用支持向量回归来处理复杂的时间模式并减少异常值的影响。GCSVR框架使用德里和孟买的数据进行了测试，证明了其预测准确性的提高和性能的稳定性，尤其是在污染事件期间。