論文の概要: Unifying Epidemic Models with Mixtures

• arxiv url: http://arxiv.org/abs/2201.04960v1
• Date: Fri, 7 Jan 2022 19:42:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-16 16:04:36.549399
• Title: Unifying Epidemic Models with Mixtures
• Title（参考訳）: 混合を伴うエピデミックモデルの統合
• Authors: Arnab Sarker, Ali Jadbabaie, Devavrat Shah
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 28.771032745045428
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The COVID-19 pandemic has emphasized the need for a robust understanding of epidemic models. Current models of epidemics are classified as either mechanistic or non-mechanistic: mechanistic models make explicit assumptions on the dynamics of disease, whereas non-mechanistic models make assumptions on the form of observed time series. Here, we introduce a simple mixture-based model which bridges the two approaches while retaining benefits of both. The model represents time series of cases and fatalities as a mixture of Gaussian curves, providing a flexible function class to learn from data compared to traditional mechanistic models. Although the model is non-mechanistic, we show that it arises as the natural outcome of a stochastic process based on a networked SIR framework. This allows learned parameters to take on a more meaningful interpretation compared to similar non-mechanistic models, and we validate the interpretations using auxiliary mobility data collected during the COVID-19 pandemic. We provide a simple learning algorithm to identify model parameters and establish theoretical results which show the model can be efficiently learned from data. Empirically, we find the model to have low prediction error. The model is available live at covidpredictions.mit.edu. Ultimately, this allows us to systematically understand the impacts of interventions on COVID-19, which is critical in developing data-driven solutions to controlling epidemics.
• Abstract（参考訳）: 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。 現在の流行モデルは、メカニックか非メカニックかのどちらかに分類される: メカニックモデルは病気のダイナミクスを明示的に仮定するが、非メカニックモデルは観察された時系列の形で仮定する。 本稿では,両者の利点を保ちつつ,両者のアプローチを橋渡しする単純な混合モデルを提案する。 このモデルはガウス曲線の混合として一連のケースと死亡率を表し、従来の力学モデルと比較してデータから学ぶ柔軟な関数クラスを提供する。 モデルは非機械的だが、ネットワーク化されたSIRフレームワークに基づく確率過程の自然な結果として現れることを示す。 これにより、学習パラメータは、類似の非機械的モデルと比較してより意味のある解釈が可能となり、新型コロナウイルスパンデミックで収集された補助モビリティデータを用いて解釈を検証する。 モデルパラメータを同定し、モデルがデータから効率的に学習できることを示すための簡単な学習アルゴリズムを提供する。 経験的に、予測誤差が低いモデルが見つかる。 モデルはcovidpredictions.mit.eduで公開されている。 これにより、covid-19に対する介入が与える影響を体系的に理解することが可能になります。

関連論文リスト

• 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)
• Seq2Seq Surrogates of Epidemic Models to Facilitate Bayesian Inference [0.6524460254566905]
  深部シーケンス・ツー・シークエンス(seq2seq)モデルは,複雑な流行モデルに対する正確なサロゲートとして機能することを示す。 トレーニングが完了すると、サロゲートはオリジナルのモデルよりも数千倍高速なシナリオを予測できます。
  論文  参考訳（メタデータ） (2022-09-20T11:23:19Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• 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)
• Modelling COVID-19 Pandemic Dynamics Using Transparent, Interpretable, Parsimonious and Simulatable (TIPS) Machine Learning Models: A Case Study from Systems Thinking and System Identification Perspectives [1.4061680807550718]
  本研究では, システム工学とシステム同定手法を用いて, 透過的, 解釈可能, 擬似的, シミュラブルな動的機械学習モデルを構築することを提案する。 TIPSモデルは、よく知られたNARMAX(Nonlinear AutoRegressive moving Average with eXogenous inputs)モデルに基づいて開発されている。
  論文  参考訳（メタデータ） (2021-11-01T08:42:37Z)
• Global and Local Interpretation of black-box Machine Learning models to determine prognostic factors from early COVID-19 data [0.0]
  新型コロナウイルスの血液検査データを、一般的な機械学習モデルを用いて分析する。 我々は,現在最先端の局所的解釈可能性技術とシンボリックメタモデリングを用いて,解釈可能な結論を導出する。 我々は、新型コロナウイルスの機械学習モデルの数学的表現を見つけるために、象徴的メタモデリングと呼ばれる最新の手法の1つを探求する。
  論文  参考訳（メタデータ） (2021-09-10T20:00:47Z)
• Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
  コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。 本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。 このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
  論文  参考訳（メタデータ） (2021-03-18T12:57:34Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  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。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)
• 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。