論文の概要: The Limits to Learning a Diffusion Model
- arxiv url: http://arxiv.org/abs/2006.06373v3
- Date: Tue, 23 May 2023 14:46:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 02:07:40.821424
- Title: The Limits to Learning a Diffusion Model
- Title(参考訳): 拡散モデル学習の限界
- Authors: Jackie Baek, Vivek F. Farias, Andreea Georgescu, Retsef Levi, Tianyi
Peng, Deeksha Sinha, Joshua Wilde, Andrew Zheng
- Abstract要約: 本稿では,単純な拡散モデルの推定のために,最初のサンプル複雑性の低い境界を与える。
拡散のかなり遅くまでそのようなモデルを学ぶことを期待できないことを示す。
結果は,正確な予測の課題を定式化し,付加的なデータソースの導入の重要性を強調した。
- 参考スコア(独自算出の注目度): 5.6801303763150655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper provides the first sample complexity lower bounds for the
estimation of simple diffusion models, including the Bass model (used in
modeling consumer adoption) and the SIR model (used in modeling epidemics). We
show that one cannot hope to learn such models until quite late in the
diffusion. Specifically, we show that the time required to collect a number of
observations that exceeds our sample complexity lower bounds is large. For Bass
models with low innovation rates, our results imply that one cannot hope to
predict the eventual number of adopting customers until one is at least
two-thirds of the way to the time at which the rate of new adopters is at its
peak. In a similar vein, our results imply that in the case of an SIR model,
one cannot hope to predict the eventual number of infections until one is
approximately two-thirds of the way to the time at which the infection rate has
peaked. This lower bound in estimation further translates into a lower bound in
regret for decision-making in epidemic interventions. Our results formalize the
challenge of accurate forecasting and highlight the importance of incorporating
additional data sources. To this end, we analyze the benefit of a
seroprevalence study in an epidemic, where we characterize the size of the
study needed to improve SIR model estimation. Extensive empirical analyses on
product adoption and epidemic data support our theoretical findings.
- Abstract(参考訳): 本稿では,Bassモデル(モデル消費者採用に使用される)やSIRモデル(モデリング流行に使用される)を含む,単純な拡散モデルの推定のための,最初のサンプル複雑性の低いバウンダリを提供する。
拡散のかなり遅くまでそのようなモデルを学ぶことを期待できないことを示す。
具体的には、サンプルの複雑さよりも低い境界を超える多くの観測を収集するのに要する時間が大きいことを示す。
イノベーション率の低いBassモデルの場合、私たちの結果は、新規採用者の割合がピークに達するまでの道の少なくとも3分の2まで、最終的に採用顧客数を予測することはできないことを示唆しています。
同様の結果から,sirモデルの場合,感染率がピークに達した時点までの3分の2程度になるまで,感染の最終的な数を予測することは不可能であることが示唆された。
この推定の低限度はさらに、流行の介入における意思決定に対する後悔の低限度に繋がる。
結果は,正確な予測の課題を定式化し,付加的なデータソースの導入の重要性を強調した。
そこで我々は,SIRモデル推定を改善するために必要な研究の規模を特徴付ける,疫学におけるセロプレバレンス研究のメリットを分析した。
製品導入と流行データに関する広範な実証分析は,我々の理論的知見を裏付けるものだ。
関連論文リスト
- Enhancing Uncertain Demand Prediction in Hospitals Using Simple and Advanced Machine Learning [3.9054437595657534]
イスラエルのランバム医療センターの患者ケア需要データを用いて, 両モデルが時間差の患者需要を効果的に捉えていることを示す。
機械学習を用いて3日または1週間前に、患者のケア需要を精度よく予測できる(約4人)。
論文 参考訳(メタデータ) (2024-04-29T13:05:59Z) - Estimating Epistemic and Aleatoric Uncertainty with a Single Model [5.871583927216653]
我々は,ハイパー拡散モデル(HyperDM)の新しいアプローチを提案する。
HyperDMは、予測精度を、場合によってはマルチモデルアンサンブルに匹敵する。
我々は,X線CTと気象温度予測の2つの異なる実世界の課題に対して,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2024-02-05T19:39:52Z) - Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。
本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。
そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文 参考訳(メタデータ) (2024-01-17T07:58:18Z) - Neural parameter calibration and uncertainty quantification for epidemic
forecasting [0.0]
感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。
ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。
本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
論文 参考訳(メタデータ) (2023-12-05T21:34:59Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Mode recovery in neural autoregressive sequence modeling [55.05526174291747]
最近の研究では、神経自己回帰配列モデルの予期せぬ特性と望ましくない性質が明らかにされている。
本研究では,分布のモードや局所的な最大値が,学習チェーン全体を通してどのように維持されているかを検討する。
今後の研究は、潜在能力と危険性を完全に理解するために、学習連鎖全体を考慮しなくてはならないと結論付けている。
論文 参考訳(メタデータ) (2021-06-10T02:17:28Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳(メタデータ) (2020-12-08T21:21:47Z) - A Recurrent Neural Network and Differential Equation Based
Spatiotemporal Infectious Disease Model with Application to COVID-19 [3.464871689508835]
我々は、ディファレンス微分方程式(SIR)とリカレントニューラルネットワーク(RNN)に基づく統合疾患モデルを開発する。
イタリアのCO-19データをトレーニングし,既存の時間モデル(NN,SIR,ARIMA)を1日,3日,1週間の予測で上回っていることを示す。
論文 参考訳(メタデータ) (2020-07-14T07:04:57Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳(メタデータ) (2020-06-08T19:24:54Z) - Adaptive Prediction Timing for Electronic Health Records [3.308743964406688]
適応率で患者結果を予測する新しい,より現実的なアプローチを導入する。
リカレントニューラルネットワーク(RNN)とベイズ埋め込み層に新しいアグリゲーション法を適用し,適応予測のタイミングを示す。
入院48時間後,本モデルではスタティックウインドウと同等の性能を示した。
論文 参考訳(メタデータ) (2020-03-05T12:02:44Z)
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。