冠状病毒大流行的严重程度需要有效的行政决定。在印度超过4万人的人屈服于Covid-19，拥有超过3亿卢比的确认案例，仍然计数。合理的第三波的威胁继续困扰数百万。在这种不断变化的病毒动态中，预测性建模方法可以用作整体工具。大流行进一步引发了一个前所未有的社交媒体使用。本文旨在提出一种利用社交媒体，特别推特的方法来预测与Covid-19案件相关的即将发生的情景。在这项研究中，我们寻求了解Covid-19相关推文的潮流如何表明案件的增加。这种前瞻性分析可用于帮助管理员及时资源分配，以减少损坏的严重程度。使用Word Embeddings来捕获推文的语义含义，我们识别大量尺寸（SDS）.Or方法，预测患情况的上升时间为15天，30天，R2分别为0.80和0.62。最后，我们解释了SDS的主题效用。
translated by 谷歌翻译
我们探索无任务持续学习（CL），其中培训模型以避免在没有明确的任务边界或身份的情况下造成灾难性的遗忘。在无任务CL上的许多努力中，一个值得注意的方法是基于内存的，存储和重放训练示例的子集。然而，由于CL模型不断更新，所以存储的示例的效用可以随时间缩短。这里，我们提出基于梯度的存储器编辑（GMED），该框架是通过梯度更新在连续输入空间中编辑存储的示例的框架，以便为重放创建更多的“具有挑战性”示例。 GMED编辑的例子仍然类似于其未编辑的形式，但可以在即将到来的模型更新中产生增加的损失，从而使未来的重播在克服灾难性遗忘方面更有效。通过施工，GMED可以与其他基于内存的CL算法一起无缝应用，以进一步改进。实验验证了GMED的有效性，以及我们最好的方法显着优于基线和以前的五个数据集中的最先进。可以在https://github.com/ink-usc/gmed找到代码。
translated by 谷歌翻译