論文の概要: When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and Policy Assessment using Compartmental Gaussian Processes

• arxiv url: http://arxiv.org/abs/2005.08837v2
• Date: Wed, 3 Jun 2020 16:55:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 13:46:36.316496
• Title: When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and Policy Assessment using Compartmental Gaussian Processes
• Title（参考訳）: いつ、どうやってロックダウンをリフティングするか? 比較ガウスプロセスを用いた世界的COVID-19シナリオ分析と政策評価
• Authors: Zhaozhi Qian, Ahmed M. Alaa, Mihaela van der Schaar
• Abstract要約: 新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。 さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。 本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
• 参考スコア（独自算出の注目度）: 111.69190108272133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The coronavirus disease 2019 (COVID-19) global pandemic has led many countries to impose unprecedented lockdown measures in order to slow down the outbreak. Questions on whether governments have acted promptly enough, and whether lockdown measures can be lifted soon have since been central in public discourse. Data-driven models that predict COVID-19 fatalities under different lockdown policy scenarios are essential for addressing these questions and informing governments on future policy directions. To this end, this paper develops a Bayesian model for predicting the effects of COVID-19 lockdown policies in a global context -- we treat each country as a distinct data point, and exploit variations of policies across countries to learn country-specific policy effects. Our model utilizes a two-layer Gaussian process (GP) prior -- the lower layer uses a compartmental SEIR (Susceptible, Exposed, Infected, Recovered) model as a prior mean function with "country-and-policy-specific" parameters that capture fatality curves under "counterfactual" policies within each country, whereas the upper layer is shared across all countries, and learns lower-layer SEIR parameters as a function of a country's features and its policy indicators. Our model combines the solid mechanistic foundations of SEIR models (Bayesian priors) with the flexible data-driven modeling and gradient-based optimization routines of machine learning (Bayesian posteriors) -- i.e., the entire model is trained end-to-end via stochastic variational inference. We compare the projections of COVID-19 fatalities by our model with other models listed by the Center for Disease Control (CDC), and provide scenario analyses for various lockdown and reopening strategies highlighting their impact on COVID-19 fatalities.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、新型コロナウイルスの感染抑制のため、多くの国が前例のないロックダウン措置を講じている。 政府は早急に行動し、早期にロックダウン措置を解除できるかどうかという疑問が公論の中心となっている。 ロックダウン政策の異なるシナリオで新型コロナウイルスの死亡率を予測するデータ駆動モデルは、これらの問題に対処し、将来の政策方針について政府に通知するために不可欠である。 そこで本稿では,グローバル・コンテキストにおける新型コロナウイルスのロックダウン政策の効果を予測するベイズモデルを開発し,各国を個別のデータポイントとして扱い,各国の政策のバリエーションを活用し,国固有の政策効果を学習する。 このモデルでは,2層ガウス法 (gp) を先行して用いた。下位層では,各国の「国別」政策の下で死亡率曲線を捉える「国別・政治別」パラメータを先行平均関数として,区画型セイル (susceptible, exposed, infected, recovered) モデルを用い,上位層は各国で共有され,下位層セイルパラメータを国の特徴とその政策指標の機能として学習する。 私たちのモデルは、seirモデル(bayesian priors)の強固な機械論的基盤と、柔軟なデータ駆動モデリングと機械学習(bayesian posteriors)の勾配に基づく最適化ルーチンを組み合わせたものです。 当モデルと疾病管理センター(cdc)がリストした他のモデルとの比較を行い、新型コロナウイルスの死亡率への影響を強調する様々なロックダウンおよび再開戦略のシナリオ分析を行った。

関連論文リスト

• Compartmental Models for COVID-19 and Control via Policy Interventions [0.0]
  確率型プログラミング言語(PPL)のツールキットを用いてSARS-CoV-2パンデミックの拡散を再現し予測する手法を実証する。 我々のゴールは、様々なモデリング仮定の影響を調査し、感染症の拡散を制限するために制定された政策介入を動機づけることである。 我々は疫学者ではない。この研究の唯一の目的は、新型コロナウイルスの政策決定が現実世界に与える影響を直接推測するのではなく、方法の展示として機能することである。
  論文  参考訳（メタデータ） (2022-03-06T02:50:54Z)
• Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data [66.70036251870988]
  疾病予防管理センター(CDC)は他の連邦機関と協力して、新型コロナウイルス(COVID-19)の感染が増加する郡(ホットスポット)を特定する。 本稿では,米国における新型コロナウイルスホットスポットの早期発見のためのスパースモデルを提案する。 深層ニューラルネットワークは、カーネルの解釈可能性を維持しながらモデルの代表的なパワーを高めるために導入されている。
  論文  参考訳（メタデータ） (2021-05-31T19:28:17Z)
• Modeling the geospatial evolution of COVID-19 using spatio-temporal convolutional sequence-to-sequence neural networks [48.7576911714538]
  ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。 その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
  論文  参考訳（メタデータ） (2021-05-06T15:24:00Z)
• Optimal Policies for a Pandemic: A Stochastic Game Approach and a Deep Learning Algorithm [1.124958340749622]
  ゲーム理論は、病気の広がりを制御し、個人レベルと地域レベルで最適な政策を提案するための効果的なツールです。 拡散ゲーム理論に基づくマルチリージョンSEIRモデルを提案し,感染症の最適地域政策の策定を目指す。 提案するモデルとアルゴリズムを,ニューヨーク州,ニュージャージー州,ペンシルベニア州の3州で実施するcovid-19パンデミックの調査に適用した。
  論文  参考訳（メタデータ） (2020-12-12T07:10:46Z)
• Machine learning spatio-temporal epidemiological model to evaluate Germany-county-level COVID-19 risk [26.228330223358952]
  我々は,感染データから流行動態を抽出するための機械支援フレームワークを開発した。 この新しいツールボックスは、ドイツで412のランドクライス(国)にまたがる多水準のCO-19流行の予測に最初に利用された。 実用上、最悪の死者が35万人であるクリスマスの状況を予測し、効果的な政策は2万人未満に抑える可能性がある。
  論文  参考訳（メタデータ） (2020-11-30T20:17:19Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• Semi-supervised Neural Networks solve an inverse problem for modeling Covid-19 spread [61.9008166652035]
  半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。 我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
  論文  参考訳（メタデータ） (2020-10-10T19:33:53Z)
• Data-driven Simulation and Optimization for Covid-19 Exit Strategies [16.31545249131776]
  コロナウイルスSARS-2の急速な普及は、世界中のほぼ全ての政府が悲劇に対応するために徹底的な対策を講じる大きな課題である。 我々は,疫学パラメータの深層学習推定を組み合わせたパンデミックシミュレーションと予測ツールキットを構築した。
  論文  参考訳（メタデータ） (2020-06-12T11:18:25Z)
• Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
  われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。 実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
  論文  参考訳（メタデータ） (2020-06-05T02:04:25Z)
• An Epidemiological Modelling Approach for Covid19 via Data Assimilation [18.837659009007705]
  2019-nCovの世界的なパンデミックは、世界の隔離措置の将来の社会的・経済的コストを軽減するために、政策介入の評価を必要とする。 本稿では,変動データ同化による新しいデータをリアルタイムに組み込んだ予測・政策評価のための疫学モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-25T12:46:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。