論文の概要: Coupling Power Laws Offers a Powerful Method for Problems such as
Biodiversity and COVID-19 Fatality Predictions
- arxiv url: http://arxiv.org/abs/2105.11002v1
- Date: Sun, 23 May 2021 19:07:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 01:13:26.443666
- Title: Coupling Power Laws Offers a Powerful Method for Problems such as
Biodiversity and COVID-19 Fatality Predictions
- Title（参考訳）: Coupling Power Lawsは、生物多様性や新型コロナウイルスの死亡率予測といった問題に対する強力な方法を提供する
- Authors: Sam Ma
- Abstract要約: テイラーの権力法則(TPL)は、生物集団の空間的および時間的分布を特徴付けるために初めて発見された。
PLECはパワーロー関数の変種であり、最終的にパワーロー関数の指数的な成長を阻害する。
本稿では,TPLとPLECの結合(積分)により,特定のパワー・ロー現象の予測精度を向上させることを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Power laws have been found to describe a wide variety of natural (physical,
biological, astronomic, meteorological, geological) and man-made (social,
financial, computational) phenomena over a wide range of magnitudes, although
their underlying mechanisms are not always clear. In statistics, power law
distribution is often found to fit data exceptionally well when the normal
(Gaussian) distribution fails. Nevertheless, predicting power law phenomena is
notoriously difficult because some of its idiosyncratic properties such as lack
of well-defined average value, and potentially unbounded variance. TPL
(Taylor's power law), a power law first discovered to characterize the spatial
and/or temporal distribution of biological populations and recently extended to
describe the spatiotemporal heterogeneities (distributions) of human
microbiomes and other natural and artificial systems such as fitness
distribution in computational (artificial) intelligence. The power law with
exponential cutoff (PLEC) is a variant of power-law function that tapers off
the exponential growth of power-law function ultimately and can be particularly
useful for certain predictive problems such as biodiversity estimation and
turning-point prediction for COVID-19 infection/fatality. Here, we propose
coupling (integration) of TPL and PLEC to offer improved prediction quality of
certain power-law phenomena. The coupling takes advantages of variance
prediction using TPL and the asymptote estimation using PLEC and delivers
confidence interval for the asymptote. We demonstrate the integrated approach
to the estimation of potential (dark) biodiversity and turning point of
COVID-19 fatality. We expect this integrative approach should have wide
applications given the duel relationship between power law and normal
statistical distributions.
- Abstract（参考訳）: 電力法則は、様々な種類の自然現象(物理、生物学的、天文学、気象学、地質学)と人為現象(社会、財政、計算)を幅広い範囲にわたって記述することが知られているが、その基盤となるメカニズムは必ずしも明確ではない。
統計学において、電力法分布は正規(ガウス)分布が失敗する場合に非常によく適合する。
それでも、パワーロー現象を予測することは、その慣用的性質のいくつかは、明確に定義された平均値の欠如や、潜在的に有界な分散など、非常に難しい。
TPL (Taylor's Power Law) は、生物集団の空間的および/または時間的分布を特徴付けるために初めて発見され、最近、ヒトのマイクロバイオームと、コンピュータ(人工)知能におけるフィットネス分布のような他の自然および人工系の時空間的均一性(分布)を記述するために拡張された。
指数的カットオフ(PLEC)によるパワーロー関数の変種は、最終的にパワーロー関数の指数的成長を阻害し、バイオ多様性の推定や新型コロナウイルス感染症の発症/死亡のターンポイント予測といった特定の予測問題に特に有用である。
本稿では,TPL と PLEC の結合(積分)を提案する。
この結合は、TPLを用いた分散予測とPLECを用いた漸近的推定の利点を生かし、漸近的信頼区間を提供する。
我々は、潜在的な(暗)生物多様性と、COVID-19死亡の転換点を推定するための統合的なアプローチを実証する。
この積分アプローチは、電力法則と正規統計分布とのデュエル関係を考えると、幅広い応用を期待する。
関連論文リスト
- Asymptotically Optimal Change Detection for Unnormalized Pre- and Post-Change Distributions [65.38208224389027]
本稿では,非正規化前および後の変化分布のみがアクセス可能である場合にのみ,変化を検出する問題に対処する。
提案手法は,最適性能を示すことが知られている累積サム統計量の推定に基づく。
論文 参考訳（メタデータ） (2024-10-18T17:13:29Z) - Extreme events and power-law distributions from nonlinear quantum dissipation [0.0]
非線形散逸を伴う量子力学系の原型系を導入する。
エネルギーの定常状態確率分布におけるパワーローテールの出現を解析的に証明する。
この現象は、光-物質相互作用とセンシングの新しい応用のための極端光子源の開発に利用することができる。
論文 参考訳（メタデータ） (2024-10-09T06:43:16Z) - Stochastic Semi-Gradient Descent for Learning Mean Field Games with Population-Aware Function Approximation [16.00164239349632]
平均場ゲーム (MFGs) は人口分布を用いた大規模マルチエージェントシステム内の相互作用をモデル化する。
本稿では,MFGのオンライン学習手法について考察する。
本研究では, 値関数と人口分布の両方に対する線形関数近似 (LFA) を開発し, 連続状態作用空間上でのMFGに対する最初の集団認識型LFAを実現する。
論文 参考訳（メタデータ） (2024-08-15T14:51:50Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z) - Full counting statistics as probe of measurement-induced transitions in
the quantum Ising chain [62.997667081978825]
局所射影測定は局所磁化の平衡外確率分布関数の修正をもたらすことを示す。
特に, 前者の確率分布が, 地域法規と容積法則で異なる振る舞いを示すかを説明する。
論文 参考訳（メタデータ） (2022-12-19T12:34:37Z) - Statistical Properties of the Entropy from Ordinal Patterns [55.551675080361335]
大規模な時系列モデルに対するエントロピー・統計複雑性の連立分布を知っていれば、今日まで利用できない統計テストが可能になるだろう。
実正規化エントロピーが零でも1でもないモデルに対して、経験的シャノンのエントロピーの分布を特徴づける。
2つの信号が同じシャノンのエントロピーを持つ順序パターンを生成するという仮説を否定するのに十分な証拠があるかどうかを検証する。
論文 参考訳（メタデータ） (2022-09-15T23:55:58Z) - Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。
本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。
GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
論文 参考訳（メタデータ） (2022-07-21T23:02:35Z) - Dynamic mean field programming [1.2183405753834562]
動的平均場理論は、有限状態と大きな状態空間極限における行動強化学習のために開発された。
ある仮定では、状態-作用値は状態空間の極限における状態-作用対間で統計的に独立である。
結果は、値反復とポリシー評価の両方に対して、有限かつ割引された無限地平線設定を保持する。
論文 参考訳（メタデータ） (2022-06-10T15:57:23Z) - Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。
一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。
我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
論文 参考訳（メタデータ） (2022-02-08T16:09:12Z) - A free energy principle for generic quantum systems [0.0]
本稿では、一般的な量子系を観察者と見なす方法を示し、選択の自由度を基準として、意味論を観察結果に割り当てることのできるエージェントとなる。
生体系は計算資源として量子コヒーレンスを用い, 暗黙的に通信資源として利用することが示唆された。
論文 参考訳（メタデータ） (2021-12-30T23:34:04Z) - Power law dynamics in genealogical graphs [0.0]
いくつかの個体群における個人の影響を測定し、その進化のダイナミクスを研究するためにアルゴリズムを用いる。
観測された電力法則の出現は時間とともに動的に振舞うことを示す。
また、エリート主義が観測されたパワー・ロー・スケーリング・ファクターに大きな影響を及ぼす証拠を示す。
論文 参考訳（メタデータ） (2020-10-12T05:35:31Z)
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。