論文の概要: Compartmental Models for COVID-19 and Control via Policy Interventions
- arxiv url: http://arxiv.org/abs/2203.02860v1
- Date: Sun, 6 Mar 2022 02:50:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-09 08:18:40.820133
- Title: Compartmental Models for COVID-19 and Control via Policy Interventions
- Title（参考訳）: 新型コロナウイルス比較モデルと政策介入による制御
- Authors: Swapneel Mehta and Noah Kasmanoff
- Abstract要約: 確率型プログラミング言語(PPL)のツールキットを用いてSARS-CoV-2パンデミックの拡散を再現し予測する手法を実証する。
我々のゴールは、様々なモデリング仮定の影響を調査し、感染症の拡散を制限するために制定された政策介入を動機づけることである。
我々は疫学者ではない。この研究の唯一の目的は、新型コロナウイルスの政策決定が現実世界に与える影響を直接推測するのではなく、方法の展示として機能することである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We demonstrate an approach to replicate and forecast the spread of the
SARS-CoV-2 (COVID-19) pandemic using the toolkit of probabilistic programming
languages (PPLs). Our goal is to study the impact of various modeling
assumptions and motivate policy interventions enacted to limit the spread of
infectious diseases. Using existing compartmental models we show how to use
inference in PPLs to obtain posterior estimates for disease parameters. We
improve popular existing models to reflect practical considerations such as the
under-reporting of the true number of COVID-19 cases and motivate the need to
model policy interventions for real-world data. We design an SEI3RD model as a
reusable template and demonstrate its flexibility in comparison to other
models. We also provide a greedy algorithm that selects the optimal series of
policy interventions that are likely to control the infected population subject
to provided constraints. We work within a simple, modular, and reproducible
framework to enable immediate cross-domain access to the state-of-the-art in
probabilistic inference with emphasis on policy interventions. We are not
epidemiologists; the sole aim of this study is to serve as an exposition of
methods, not to directly infer the real-world impact of policy-making for
COVID-19.
- Abstract（参考訳）: 確率型プログラミング言語(PPL)のツールキットを用いて,SARS-CoV-2(COVID-19)パンデミックの拡散を再現し,予測する手法を実証する。
我々の目標は、様々なモデリング仮定の影響を調査し、感染症の拡散を制限するために制定された政策介入を動機づけることである。
既存の区画モデルを用いて,pplsにおける推論を用いて疾患パラメータの後方推定を行う方法を示す。
我々は、新型コロナウイルスの本当の数の報告不足などの実践的考察を反映して、一般的な既存モデルを改善し、実世界のデータに対する政策介入をモデル化する必要性を動機付けている。
再利用可能なテンプレートとしてSEI3RDモデルを設計し,その柔軟性を他のモデルと比較した。
また,本研究では,感染した個体群を規制しうる政策介入の最適系列を選択できる欲望アルゴリズムを提案する。
我々は、ポリシーの介入に重点を置いた確率的推論における最先端のドメインへの即時アクセスを可能にする、シンプルでモジュール化された再現可能なフレームワーク内で働いています。
我々は疫学者ではない;この研究の唯一の目的は、新型コロナウイルスの政策立案が現実世界に与える影響を直接推測することではなく、方法の展示として機能することである。
関連論文リスト
- Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。
本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
論文 参考訳（メタデータ） (2024-07-20T18:34:20Z) - Multi-scale simulation of COVID-19 epidemics [0.0]
新型コロナウイルスの感染拡大が始まってから1年以上が経過している。
今後数週間にわたって広がる未来と、潜在的な政治的介入の影響を正確に予測することは難しい」と述べた。
現在の流行モデルは主に2つのアプローチに該当する: 分割モデル、人口を疫学クラスに分け、微分方程式の数学的解決に依存する。
論文 参考訳（メタデータ） (2021-12-02T12:34:11Z) - Approximate Bayesian Computation for an Explicit-Duration Hidden Markov
Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。
幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。
本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文 参考訳（メタデータ） (2021-04-28T15:32:42Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - 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) - Semi-supervised Neural Networks solve an inverse problem for modeling
Covid-19 spread [61.9008166652035]
半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。
我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
論文 参考訳（メタデータ） (2020-10-10T19:33:53Z) - Multi-Objective Model-based Reinforcement Learning for Infectious
Disease Control [19.022696762983017]
新型コロナウイルス(COVID-19)などの重症感染症が公衆衛生に大きな脅威をもたらす。
学校閉鎖や自宅待機命令などの厳格な規制措置は大きな効果がある一方で、経済的損失も大きい。
本稿では,データ駆動型意思決定の促進と長期的コストの最小化を目的とした多目的モデルに基づく強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-09T23:55:27Z) - DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive
Surveillance of COVID-19 Using Heterogeneous Features and their Interactions [2.30238915794052]
今後の新型コロナウイルス感染者の増加範囲を予測するための深層学習モデルを提案する。
様々なソースから収集したデータを用いて、米国全郡で7日以内に感染が拡大する範囲を推定する。
論文 参考訳（メタデータ） (2020-07-31T23:37:38Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳（メタデータ） (2020-07-11T19:44:09Z) - When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and
Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。
さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。
本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文 参考訳（メタデータ） (2020-05-13T18:21:50Z) - Planning as Inference in Epidemiological Models [15.097226158765334]
既存の疫学モデルで推論を行うことにより,感染症対策政策プロセスの一部を自動化する方法を実証する。
本稿では,既存のシミュレータにおける推論を自動化する確率型プログラミング言語の使用について説明する。
論文 参考訳（メタデータ） (2020-03-30T05:10:26Z)
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。