論文の概要: Parameter Estimation for the SEIR Model Using Recurrent Nets
- arxiv url: http://arxiv.org/abs/2105.14524v1
- Date: Sun, 30 May 2021 12:51:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-02 13:39:36.989219
- Title: Parameter Estimation for the SEIR Model Using Recurrent Nets
- Title（参考訳）: リカレントネットを用いたSEIRモデルのパラメータ推定
- Authors: Chun Fan, Yuxian Meng, Xiaofei Sun, Fei Wu, Tianwei Zhang, Jiwei Li
- Abstract要約: 微分可能な目的に基づいて、最適な$Theta_textSEIR$を見つけます。
提案手法は,シミュレーション数が少なく,パラメータ推定精度が大幅に向上することを示した。
- 参考スコア（独自算出の注目度）: 28.065980818744208
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The standard way to estimate the parameters $\Theta_\text{SEIR}$ (e.g., the
transmission rate $\beta$) of an SEIR model is to use grid search, where
simulations are performed on each set of parameters, and the parameter set
leading to the least $L_2$ distance between predicted number of infections and
observed infections is selected. This brute-force strategy is not only time
consuming, as simulations are slow when the population is large, but also
inaccurate, since it is impossible to enumerate all parameter combinations. To
address these issues, in this paper, we propose to transform the
non-differentiable problem of finding optimal $\Theta_\text{SEIR}$ to a
differentiable one, where we first train a recurrent net to fit a small number
of simulation data. Next, based on this recurrent net that is able to
generalize SEIR simulations, we are able to transform the objective to a
differentiable one with respect to $\Theta_\text{SEIR}$, and straightforwardly
obtain its optimal value. The proposed strategy is both time efficient as it
only relies on a small number of SEIR simulations, and accurate as we are able
to find the optimal $\Theta_\text{SEIR}$ based on the differentiable objective.
On two COVID-19 datasets, we observe that the proposed strategy leads to
significantly better parameter estimations with a smaller number of
simulations.
- Abstract（参考訳）: SEIRモデルのパラメータ$\Theta_\text{SEIR}$(例えば、送信レート$\beta$)を推定する標準的な方法は、グリッドサーチを使用することで、各パラメータに対してシミュレーションが行われ、予測された感染数と観測された感染数の間の最小のL_2$距離につながるパラメータセットが選択される。
このブルートフォース戦略は、人口が大きくなるとシミュレーションが遅くなるだけでなく、全てのパラメータの組み合わせを列挙することは不可能であるため、不正確である。
これらの問題に対処するため、本稿では、最適な$\Theta_\text{SEIR}$を微分可能なものにすることで、最小限のシミュレーションデータに適合するようにリカレントネットをトレーニングする。
次に、SEIRシミュレーションを一般化できるこのリカレントネットに基づいて、$\Theta_\text{SEIR}$に対して目的を微分可能なものに変換し、その最適値を簡単に得ることができる。
提案された戦略は、少数のseirシミュレーションのみに依存しているため、時間効率が良く、微分可能な目的に基づいて最適な$\theta_\text{seir}$を見つけることができるため、正確である。
2つのCOVID-19データセットにおいて、提案した戦略が、シミュレーションの少ないパラメータ推定を著しく向上させるのを観察する。
関連論文リスト
- Fast and scalable Wasserstein-1 neural optimal transport solver for single-cell perturbation prediction [55.89763969583124]
最適輸送理論はそのような写像を構築するための原則化された枠組みを提供する。
本稿では,Wasserstein-1に基づく新しい最適輸送解法を提案する。
実験により,提案した解法は,2次元データセット上に一意かつ単調な写像を求める際に,$W$ OTソルバを模倣できることを示した。
論文 参考訳（メタデータ） (2024-11-01T14:23:19Z) - Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。
本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。
本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-17T11:47:56Z) - A Specialized Semismooth Newton Method for Kernel-Based Optimal
Transport [92.96250725599958]
カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。
SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
論文 参考訳（メタデータ） (2023-10-21T18:48:45Z) - Globally Convergent Accelerated Algorithms for Multilinear Sparse
Logistic Regression with $\ell_0$-constraints [2.323238724742687]
多重線形ロジスティック回帰は多次元データ解析の強力なツールである。
本稿では,$ell_0$-MLSRを解くために,アクセラレーションされた近位置換最小値MLSRモデルを提案する。
また、APALM$+$が一階臨界点に大域収束し、クルディ・ロジャシエヴィチ性質を用いて収束を確立することも示している。
論文 参考訳（メタデータ） (2023-09-17T11:05:08Z) - KL-Entropy-Regularized RL with a Generative Model is Minimax Optimal [70.15267479220691]
モデル強化学習のサンプル複雑性を,生成的分散自由モデルを用いて検討・解析する。
我々の分析は、$varepsilon$が十分小さい場合、$varepsilon$-optimal Policyを見つけるのが、ほぼ最小の最適化であることを示している。
論文 参考訳（メタデータ） (2022-05-27T19:39:24Z) - Bayesian Target-Vector Optimization for Efficient Parameter
Reconstruction [0.0]
対象ベクトル最適化方式を導入し,モデル関数のコントリビューションのすべてについて検討し,パラメータ再構成問題に特に適している。
また、実際のモデル関数の観測がほとんどない正確な不確実性推定を決定できる。
論文 参考訳（メタデータ） (2022-02-23T15:13:32Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Improved Prediction and Network Estimation Using the Monotone Single
Index Multi-variate Autoregressive Model [34.529641317832024]
単調単一指数多変量自己回帰モデル(SIMAM)に基づく半パラメトリックアプローチを開発する。
我々は、従属データに対する理論的保証と、交互に投影される勾配降下アルゴリズムを提供する。
シミュレーションデータと2つの実データ例において,優れた性能を示す。
論文 参考訳（メタデータ） (2021-06-28T12:32:29Z) - Minimum discrepancy principle strategy for choosing $k$ in $k$-NN regression [2.0411082897313984]
保持データを用いずに、$k$-NN回帰推定器でハイパーパラメータ$k$を選択するための新しいデータ駆動戦略を提案する。
本稿では,早期停止と最小一致原理に基づく実践的戦略を実践的に容易に導入することを提案する。
論文 参考訳（メタデータ） (2020-08-20T00:13:19Z) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳（メタデータ） (2020-08-16T11:36:11Z)
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。