論文の概要: Tracking disease outbreaks from sparse data with Bayesian inference
- arxiv url: http://arxiv.org/abs/2009.05863v1
- Date: Sat, 12 Sep 2020 20:37:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 08:16:04.881715
- Title: Tracking disease outbreaks from sparse data with Bayesian inference
- Title（参考訳）: ベイズ推定によるスパースデータによる疾患発生の追跡
- Authors: Bryan Wilder, Michael J. Mina, Milind Tambe
- Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
- 参考スコア（独自算出の注目度）: 55.82986443159948
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The COVID-19 pandemic provides new motivation for a classic problem in
epidemiology: estimating the empirical rate of transmission during an outbreak
(formally, the time-varying reproduction number) from case counts. While
standard methods exist, they work best at coarse-grained national or state
scales with abundant data, and struggle to accommodate the partial
observability and sparse data common at finer scales (e.g., individual schools
or towns). For example, case counts may be sparse when only a small fraction of
infections are caught by a testing program. Or, whether an infected individual
tests positive may depend on the kind of test and the point in time when they
are tested. We propose a Bayesian framework which accommodates partial
observability in a principled manner. Our model places a Gaussian process prior
over the unknown reproduction number at each time step and models observations
sampled from the distribution of a specific testing program. For example, our
framework can accommodate a variety of kinds of tests (viral RNA, antibody,
antigen, etc.) and sampling schemes (e.g., longitudinal or cross-sectional
screening). Inference in this framework is complicated by the presence of tens
or hundreds of thousands of discrete latent variables. To address this
challenge, we propose an efficient stochastic variational inference method
which relies on a novel gradient estimator for the variational objective.
Experimental results for an example motivated by COVID-19 show that our method
produces an accurate and well-calibrated posterior, while standard methods for
estimating the reproduction number can fail badly.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、疫学における古典的な問題に新たな動機を与えている。
標準的な方法は存在するが、粗粒度の高い国または州のスケールで、豊富なデータを持ち、より細かいスケール(例えば個々の学校や町)で一般的な部分的な可観測性とスパースなデータに対応するのに苦労している。
例えば、検査プログラムによって少数の感染が捕捉される場合、ケース数は不足する可能性がある。
あるいは、感染した個々のテストが陽性かどうかは、テストの種類やテストの時点によって異なります。
本稿では,部分可観測性を考慮したベイズフレームワークを提案する。
本モデルでは, 未知の再現数よりも前のガウス過程を各時間ステップに配置し, 特定のテストプログラムの分布から得られたモデル観察を行う。
例えば、我々のフレームワークは、様々な種類のテスト(ウイルスRNA、抗体、抗原など)とサンプリングスキーム(例えば、縦方向または横方向のスクリーニング)に対応できる。
このフレームワークの推論は数万から数十万の離散潜在変数の存在によって複雑である。
この課題に対処するために,変分目的のための新しい勾配推定器に依存する効率的な確率的変分推定法を提案する。
実験結果から, 再現数を推定する標準的な手法は失敗するが, 精度が高く, 校正後の精度は良好であることが明らかとなった。
関連論文リスト
- DistPred: A Distribution-Free Probabilistic Inference Method for Regression and Forecasting [14.390842560217743]
本稿では、回帰予測タスクのためのDistPredという新しい手法を提案する。
予測分布と対象分布の差分を測定するための適切なスコアリングルールを、微分可能な離散形式に変換する。
これにより、モデルは単一のフォワードパスで多数のサンプルをサンプリングし、応答変数の潜在的分布を推定することができる。
論文 参考訳（メタデータ） (2024-06-17T10:33:00Z) - Simultaneous inference for generalized linear models with unmeasured confounders [0.0]
本稿では,構造を利用して線形射影を3つの重要な段階に統合する,統一的な統計的推定と推測の枠組みを提案する。
サンプルおよび応答サイズとして$z$-testsの効果的なType-Iエラー制御が無限大に近づくことを示す。
論文 参考訳（メタデータ） (2023-09-13T18:53:11Z) - Shortcomings of Top-Down Randomization-Based Sanity Checks for
Evaluations of Deep Neural Network Explanations [67.40641255908443]
モデルランダム化に基づく正当性チェックの限界を,説明書の評価のために同定する。
トップダウンモデルランダム化は、フォワードパスアクティベーションのスケールを高い確率で保存する。
論文 参考訳（メタデータ） (2022-11-22T18:52:38Z) - Learning from a Biased Sample [3.546358664345473]
本稿では,テスト分布のファミリーで発生する最悪のリスクを最小限に抑える決定ルールの学習方法を提案する。
本研究では,健康調査データからメンタルヘルススコアの予測を行うケーススタディにおいて,提案手法を実証的に検証した。
論文 参考訳（メタデータ） (2022-09-05T04:19:16Z) - Statistical and Computational Phase Transitions in Group Testing [73.55361918807883]
本研究の目的は、希少な疾患を患っているk人の集団を同定することである。
個々人のテストを割り当てるための2つの異なる単純なランダムな手順を考える。
論文 参考訳（メタデータ） (2022-06-15T16:38:50Z) - Multinomial Sampling for Hierarchical Change-Point Detection [0.0]
本稿では,検出率を向上し,遅延を低減する多項サンプリング手法を提案する。
実験の結果, 基準法よりも優れた結果が得られ, また, 人間の行動研究を指向した事例も提示した。
論文 参考訳（メタデータ） (2020-07-24T09:18:17Z) - Improving Maximum Likelihood Training for Text Generation with Density
Ratio Estimation [51.091890311312085]
本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。
本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
論文 参考訳（メタデータ） (2020-07-12T15:31:24Z) - Density of States Estimation for Out-of-Distribution Detection [69.90130863160384]
DoSEは状態推定器の密度である。
我々は、他の教師なしOOD検出器に対するDoSEの最先端性能を実証する。
論文 参考訳（メタデータ） (2020-06-16T16:06:25Z) - Support Estimation with Sampling Artifacts and Errors [31.62490114774054]
人工物やエラーをサンプリングして推定する手法を最初に紹介する。
提案手法は,正規化重み付きチェビシェフ近似に基づく。
我々は,最先端のノイズレスサポート推定手法の適切な修正によって得られた手法と比較して,統合手法の大幅な改善を観察した。
論文 参考訳（メタデータ） (2020-06-14T19:57:17Z) - Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。
分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文 参考訳（メタデータ） (2020-02-21T14:03:16Z)
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。