論文の概要: Parameter estimation in dynamical systems via Statistical Learning: a reinterpretation of Approximate Bayesian Computation applied to COVID-19 spread

• arxiv url: http://arxiv.org/abs/2007.14229v2
• Date: Thu, 25 Feb 2021 18:38:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 03:05:40.476338
• Title: Parameter estimation in dynamical systems via Statistical Learning: a reinterpretation of Approximate Bayesian Computation applied to COVID-19 spread
• Title（参考訳）: 統計的学習による力学系のパラメータ推定:新型コロナ拡散に対する近似ベイズ計算の再解釈
• Authors: Diego Marcondes
• Abstract要約: 本稿では,統計的学習手法に基づく動的システムのロバストパラメータ推定手法を提案する。 我々は、米国内で広がる新型コロナウイルスのシミュレーションと実際のデータに適用し、時間とともにその進化を質的に評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a robust parameter estimation method for dynamical systems based on Statistical Learning techniques which aims to estimate a set of parameters that well fit the dynamics in order to obtain robust evidences about the qualitative behaviour of its trajectory. The method is quite general and flexible, since it does not rely on any specific property of the dynamical system, and represents a reinterpretation of Approximate Bayesian Computation methods through the lens of Statistical Learning. The method is specially useful for estimating parameters in epidemiological compartmental models in order to obtain qualitative properties of a disease evolution. We apply it to simulated and real data about COVID-19 spread in the US in order to evaluate qualitatively its evolution over time, showing how one may assess the effectiveness of measures implemented to slow the spread and some qualitative features of the disease current and future evolution.
• Abstract（参考訳）: 本研究では, 統計的学習手法に基づく動的システムのロバストパラメータ推定手法を提案し, その軌道の定性的挙動に関するロバストな証拠を得るために, 動的に適合するパラメータの集合を推定することを目的とする。 この方法は、力学系の特定の性質に依存しておらず、統計学習のレンズを通して近似ベイズ計算法を再解釈しているため、非常に一般的で柔軟である。 本手法は, 疫学的区画モデルのパラメータを推定し, 病因進化の質的特性を得るのに有用である。 本研究は、米国内における新型コロナウイルスの実態をシミュレーションし、その進化の質的評価に応用し、その拡散を遅らせるために実施された対策の有効性と、その現状と今後の進化の質的特徴を評価する方法を示す。

関連論文リスト

• Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
  本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。 診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。 本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
  論文  参考訳（メタデータ） (2024-03-09T13:48:20Z)
• A novel approach for predicting epidemiological forecasting parameters based on real-time signals and Data Assimilation [3.4901787251083163]
  我々は、様々なデータソースと融合手法を用いて、畳み込みニューラルネットワーク(CNN)モデルのアンサンブルを実装し、ロバストな予測を構築する。 気象信号とソーシャルメディアを用いた人口密度マップを組み合わせることで、ロンドンにおける新型コロナウイルスの流行予測の性能と柔軟性が向上した。
  論文  参考訳（メタデータ） (2023-07-03T17:05:29Z)
• An active learning approach for improving the performance of equilibrium based chemical simulations [0.0]
  本稿では、平衡に基づく化学シミュレーションを扱うための新しい逐次データ駆動手法を提案する。 提案手法は,サロゲートモデルを構築するために推定関数を評価すべき最も関連性の高い入力データを逐次選択する。 本手法は数値実験により検証し,地球科学でよく用いられる複雑な化学系に適用する。
  論文  参考訳（メタデータ） (2021-10-15T14:17:28Z)
• Neural Networks for Parameter Estimation in Intractable Models [0.0]
  本稿では,最大安定過程からパラメータを推定する方法を示す。 モデルシミュレーションのデータを入力として使用し,統計的パラメータを学習するために深層ニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2021-07-29T21:59:48Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• 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)
• Learning Stable Nonparametric Dynamical Systems with Gaussian Process Regression [9.126353101382607]
  データからガウス過程回帰に基づいて非パラメトリックリアプノフ関数を学習する。 非パラメトリック制御Lyapunov関数に基づく名目モデルの安定化は、トレーニングサンプルにおける名目モデルの挙動を変化させるものではないことを証明した。
  論文  参考訳（メタデータ） (2020-06-14T11:17:17Z)
• SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
  SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。 我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。 アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
  論文  参考訳（メタデータ） (2020-06-12T10:40:46Z)
• Robust Q-learning [0.0]
  データ適応手法を用いてニュアンスパラメータを推定できる頑健なQ-ラーニング手法を提案する。 本研究は,提案手法の必要性と有用性を明らかにするためのシミュレーション研究である。
  論文  参考訳（メタデータ） (2020-03-27T14:10:38Z)
• Interpretable Off-Policy Evaluation in Reinforcement Learning by Highlighting Influential Transitions [48.91284724066349]
  強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。 信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。 我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
  論文  参考訳（メタデータ） (2020-02-10T00:26:43Z)

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。