論文の概要: Discrepancies in Epidemiological Modeling of Aggregated Heterogeneous
Data
- arxiv url: http://arxiv.org/abs/2106.10610v1
- Date: Sun, 20 Jun 2021 03:41:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-23 13:00:07.228429
- Title: Discrepancies in Epidemiological Modeling of Aggregated Heterogeneous
Data
- Title（参考訳）: 凝集不均質データの疫学的モデリングにおける相違
- Authors: Anna L. Trella, Peniel N. Argaw, Michelle M. Li, James A. Hay
- Abstract要約: 本研究では, 複雑なシステムに直面すると, 伝染率などの疫学パラメータを推定するための最先端モデルが不適切であることを示す。
複数の流行から発生した入射曲線を組み合わせることで、複雑な発生シナリオを3つ生成する。
このベイズ推定フレームワークにおける2つのデータ生成モデルを評価する。
- 参考スコア（独自算出の注目度）: 1.433758865948252
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Within epidemiological modeling, the majority of analyses assume a single
epidemic process for generating ground-truth data. However, this assumed data
generation process can be unrealistic, since data sources for epidemics are
often aggregated across geographic regions and communities. As a result,
state-of-the-art models for estimating epidemiological parameters,
e.g.~transmission rates, can be inappropriate when faced with complex systems.
Our work empirically demonstrates some limitations of applying epidemiological
models to aggregated datasets. We generate three complex outbreak scenarios by
combining incidence curves from multiple epidemics that are independently
simulated via SEIR models with different sets of parameters. Using these
scenarios, we assess the robustness of a state-of-the-art Bayesian inference
method that estimates the epidemic trajectory from viral load surveillance
data. We evaluate two data-generating models within this Bayesian inference
framework: a simple exponential growth model and a highly flexible Gaussian
process prior model. Our results show that both models generate accurate
transmission rate estimates for the combined incidence curve at the cost of
generating biased estimates for each underlying epidemic, reflecting highly
heterogeneous underlying population dynamics. The exponential growth model,
while interpretable, is unable to capture the complexity of the underlying
epidemics. With sufficient surveillance data, the Gaussian process prior model
captures the shape of complex trajectories, but is imprecise for periods of low
data coverage. Thus, our results highlight the potential pitfalls of neglecting
complexity and heterogeneity in the data generation process, which can mask
underlying location- and population-specific epidemic dynamics.
- Abstract（参考訳）: 疫学のモデルでは、分析の大半は地対地データを生成するための単一の流行過程を想定している。
しかし,この推定データ生成プロセスは,地域やコミュニティにまたがって集約されることが多いため,非現実的である可能性がある。
結果として、複雑なシステムに直面すると、例えば〜送信率などの疫学パラメータを推定するための最先端モデルが不適切となる。
我々の研究は、集合データセットに疫学モデルを適用する際のいくつかの限界を実証的に示している。
異なるパラメータのSEIRモデルを用いて個別にシミュレートされた複数の流行からの入射曲線を組み合わせることで、複雑なアウトブレイクシナリオを3つ生成する。
これらのシナリオを用いて,ウイルスの負荷監視データから流行経路を推定する最先端ベイズ推定法のロバスト性を評価する。
我々は,このベイズ推定フレームワークにおける2つのデータ生成モデルを評価する:単純な指数関数的成長モデルと高度に柔軟なガウス過程事前モデルである。
以上の結果から, 両モデルとも, 発生頻度曲線の正確な伝達率推定を, 発病率の偏りを発生させるコストで生成し, 人口動態を反映していることがわかった。
指数的成長モデルは解釈可能であるが、根底にある流行の複雑さを捉えることはできない。
十分な監視データがあれば、ガウス過程の先行モデルは複雑な軌道の形状を捉えるが、データカバレッジが低い期間は不正確である。
以上の結果から,データ生成プロセスにおける複雑さや不均一性を無視する潜在的な落とし穴が浮き彫りになる。
関連論文リスト
- Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Neural Likelihood Approximation for Integer Valued Time Series Data [0.0]
我々は、基礎となるモデルの無条件シミュレーションを用いて訓練できるニューラルな可能性近似を構築した。
本手法は,多くの生態学的および疫学的モデルを用いて推定を行うことにより実証する。
論文 参考訳（メタデータ） (2023-10-19T07:51:39Z) - 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) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Unifying Epidemic Models with Mixtures [28.771032745045428]
新型コロナウイルスのパンデミックは、感染モデルに対する強固な理解の必要性を強調している。
本稿では2つのアプローチをブリッジする単純な混合モデルを提案する。
モデルは非機械的であるが、ネットワーク化されたSIRフレームワークに基づくプロセスの自然な結果として現れることを示す。
論文 参考訳（メタデータ） (2022-01-07T19:42:05Z) - 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) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。