論文の概要: An Optimal Control Approach to Learning in SIDARTHE Epidemic model

• arxiv url: http://arxiv.org/abs/2010.14878v2
• Date: Thu, 28 Jan 2021 10:53:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 06:13:13.927954
• Title: An Optimal Control Approach to Learning in SIDARTHE Epidemic model
• Title（参考訳）: SIDARTHEエピデミックモデルにおける学習の最適制御手法
• Authors: Andrea Zugarini, Enrico Meloni, Alessandro Betti, Andrea Panizza, Marco Corneli, Marco Gori
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 67.22168759751541
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The COVID-19 outbreak has stimulated the interest in the proposal of novel epidemiological models to predict the course of the epidemic so as to help planning effective control strategies. In particular, in order to properly interpret the available data, it has become clear that one must go beyond most classic epidemiological models and consider models that, like the recently proposed SIDARTHE, offer a richer description of the stages of infection. The problem of learning the parameters of these models is of crucial importance especially when assuming that they are time-variant, which further enriches their effectiveness. In this paper we propose a general approach for learning time-variant parameters of dynamic compartmental models from epidemic data. We formulate the problem in terms of a functional risk that depends on the learning variables through the solutions of a dynamic system. The resulting variational problem is then solved by using a gradient flow on a suitable, regularized functional. We forecast the epidemic evolution in Italy and France. Results indicate that the model provides reliable and challenging predictions over all available data as well as the fundamental role of the chosen strategy on the time-variant parameters.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)の流行は、感染経路を予測する新しい疫学モデルの提案を刺激し、効果的な管理戦略の立案を支援する。 特に、利用可能なデータを適切に解釈するためには、ほとんどの古典的な疫学モデルを超えて、最近提案されたSIDARTHEと同様、感染ステージのより豊かな記述を提供するモデルを考える必要があることが明らかになっている。 これらのモデルのパラメータを学習する問題は、時間が変化していると仮定した場合に特に重要である。 本稿では,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動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、動的システムの解を通して学習変数に依存する機能的リスクの観点から問題を定式化する。 得られた変分問題は、適切な正規化関数上の勾配流を用いて解決される。 我々はイタリアとフランスの疫病の進化を予測する。 結果は、このモデルが利用可能なすべてのデータに対して信頼性と挑戦的な予測を提供し、時間変動パラメータにおける選択された戦略の基本的役割を提供することを示している。

関連論文リスト

• On the calibration of compartmental epidemiological models [4.2456818663079865]
  本稿では,いくつかの最適化手法や強化学習など,適用可能な校正戦略の概要について述べる。 提案手法の利点と欠点を考察し,本実験の実践的結論を明らかにする。 異なる疫学的文脈におけるこれらのアプローチの有効性と拡張性を検証するためには、さらなる研究が必要である。
  論文  参考訳（メタデータ） (2023-12-09T03:57:06Z)
• 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)
• Metapopulation Graph Neural Networks: Deep Metapopulation Epidemic Modeling with Human Mobility [14.587916407752719]
  多段階多地域流行予測のための新しいハイブリッドモデルMepoGNNを提案する。 本モデルでは, 確認症例数だけでなく, 疫学的パラメータも明示的に学習できる。
  論文  参考訳（メタデータ） (2023-06-26T17:09:43Z)
• SPADE4: Sparsity and Delay Embedding based Forecasting of Epidemics [2.578242050187029]
  流行予測のためのSPADE4(Sprsity and Delay Embedding based Forecasting)を提案する。 本手法は,シミュレーションデータと実データの両方に適用した場合,コンパートメンタルモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-11T23:39:48Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• 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)
• OutbreakFlow: Model-based Bayesian inference of disease outbreak dynamics with invertible neural networks and its application to the COVID-19 pandemics in Germany [0.19791587637442667]
  専門的なニューラルネットワークを用いた疫学モデリングの新たな組み合わせを提案する。 我々は, 発生時間, 未検出感染数, 症状発症前の感染可能性, および, 非常に適度な量の実世界の観測による遅延の報告など, 重要な疾患特性に関する信頼性の高い確率推定値を得ることができる。
  論文  参考訳（メタデータ） (2020-10-01T11:01:49Z)
• Steering a Historical Disease Forecasting Model Under a Pandemic: Case of Flu and COVID-19 [75.99038202534628]
  我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。 我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
  論文  参考訳（メタデータ） (2020-09-23T22:35:43Z)
• Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic [10.796851110372593]
  疫病モデルのためのヒトの移動性を考慮した異種感染率モデルを提案する。 モデルを線形化し、重み付けされた最小二乗を用いることで、我々のモデルは変化傾向に迅速に適応できる。 疫病の初期には、旅行データを用いて予測が増加することが示されている。
  論文  参考訳（メタデータ） (2020-04-23T07:25:46Z)

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。