論文の概要: Consistent and fast inference in compartmental models of epidemics using
Poisson Approximate Likelihoods
- arxiv url: http://arxiv.org/abs/2205.13602v1
- Date: Thu, 26 May 2022 20:19:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-05 07:46:10.337574
- Title: Consistent and fast inference in compartmental models of epidemics using
Poisson Approximate Likelihoods
- Title（参考訳）: Poisson Approximate Likelihoodsを用いた疫病のコンパートメンタルモデルにおける一貫性と高速推論
- Authors: Michael Whitehouse, Nick Whiteley, Lorenzo Rimella
- Abstract要約: 疫学推論のためのPoisson Approximate Likelihood (PAL) 法を紹介した。
理論的な結果は,部分的部分的モデルの幅広いクラスに適用可能な,確率に基づくパラメータ推定の整合性の最初のものと考えられる。
- 参考スコア（独自算出の注目度）: 1.933681537640272
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Addressing the challenge of scaling-up epidemiological inference to complex
and heterogeneous models, we introduce Poisson Approximate Likelihood (PAL)
methods. In contrast to the popular ODE approach to compartmental modelling, in
which a large population limit is used to motivate a deterministic model, PALs
are derived from approximate filtering equations for finite-population,
stochastic compartmental models, and the large population limit drives the
consistency of maximum PAL estimators. Our theoretical results appear to be the
first likelihood-based parameter estimation consistency results applicable
across a broad class of partially observed stochastic compartmental models.
Compared to simulation-based methods such as Approximate Bayesian Computation
and Sequential Monte Carlo, PALs are simple to implement, involving only
elementary arithmetic operations and no tuning parameters; and fast to
evaluate, requiring no simulation from the model and having computational cost
independent of population size. Through examples, we demonstrate how PALs can
be: embedded within Delayed Acceptance Particle Markov Chain Monte Carlo to
facilitate Bayesian inference; used to fit an age-structured model of
influenza, taking advantage of automatic differentiation in Stan; and applied
to calibrate a spatial meta-population model of measles.
- Abstract（参考訳）: 複雑および不均一なモデルに対する疫学的推測のスケールアップの課題に対処するため,Poisson Approximate Likelihood (PAL)法を提案する。
人口制限が決定論的モデルのモチベーションに使用されるような構成的モデリングに対する一般的なODEアプローチとは対照的に、PALは有限人口、確率的構成的モデルに対する近似フィルタリング方程式から導出され、大きな人口制限は最大PAL推定子の整合性を促進する。
我々の理論結果は, 確率的区画モデルの幅広いクラスにまたがって適用できる最初の確率ベースパラメータ推定一貫性結果であると考えられる。
Approximate Bayesian Computation(英語版)やSequential Monte Carlo(英語版)のようなシミュレーションベースの手法と比較して、PALは簡単な実装であり、基本的な算術演算のみを含み、チューニングパラメータは含まない。
例として, 遅延受容粒子内に埋め込まれたマルコフ・チェイン・モンテカルロがベイジアン推論を促進すること, Stanの分化を生かしてインフルエンザの年齢構造モデルに適合すること, 麻疹の空間的メタポピュレーションモデルをキャリブレーションすること, などである。
関連論文リスト
- Proximal Interacting Particle Langevin Algorithms [0.0]
本稿では,潜時変動モデルにおける推論と学習のためのPIPLAアルゴリズムを提案する。
非微分不可能な統計モデルにおけるパラメータ推定の問題に合わせた、新しい近位IPLAファミリー内のいくつかの変種を提案する。
我々の理論と実験は、PIPLAファミリーが非微分可能モデルの潜在変数モデルにおけるパラメータ推定問題のデファクト選択であることを示している。
論文 参考訳（メタデータ） (2024-06-20T13:16:41Z) - Likelihood Based Inference in Fully and Partially Observed Exponential Family Graphical Models with Intractable Normalizing Constants [4.532043501030714]
マルコフ確率場を符号化する確率的グラフィカルモデルは、生成的モデリングの基本的な構成要素である。
本稿では,これらのモデルの全確率に基づく解析が,計算効率のよい方法で実現可能であることを示す。
論文 参考訳（メタデータ） (2024-04-27T02:58:22Z) - 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) - Model-Based RL for Mean-Field Games is not Statistically Harder than Single-Agent RL [57.745700271150454]
モデルに基づく関数近似を用いた平均フィールドゲーム(MFG)における強化学習のサンプル複雑性について検討した。
本稿では、モデルクラスの複雑性を特徴付けるためのより効果的な概念である部分モデルベースエルダー次元(P-MBED)を紹介する。
論文 参考訳（メタデータ） (2024-02-08T14:54:47Z) - Diffusion models for probabilistic programming [56.47577824219207]
拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である
DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
論文 参考訳（メタデータ） (2023-11-01T12:17:05Z) - Learning Multivariate CDFs and Copulas using Tensor Factorization [39.24470798045442]
データの多変量分布を学習することは、統計学と機械学習における中核的な課題である。
本研究では,多変量累積分布関数(CDF)を学習し,混合確率変数を扱えるようにすることを目的とする。
混合確率変数の合同CDFの任意のグリッドサンプリング版は、単純ベイズモデルとして普遍表現を許容することを示す。
提案モデルの性能を,回帰,サンプリング,データ計算を含むいくつかの合成および実データおよびアプリケーションで実証する。
論文 参考訳（メタデータ） (2022-10-13T16:18:46Z) - 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) - Nonparametric likelihood-free inference with Jensen-Shannon divergence
for simulator-based models with categorical output [1.4298334143083322]
シミュレータに基づく統計モデルに対する自由な推論は、機械学習と統計のコミュニティの両方において、関心の高まりを招いている。
本稿では、Jensen-Shannon- divergenceの計算特性を用いて、モデルパラメータに対する推定、仮説テスト、信頼区間の構築を可能にする理論的結果のセットを導出する。
このような近似はより集中的なアプローチの素早い代替手段であり、シミュレーターベースモデルの多種多様な応用には魅力的である。
論文 参考訳（メタデータ） (2022-05-22T18:00:13Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - Estimating Linear Mixed Effects Models with Truncated Normally
Distributed Random Effects [5.4052819252055055]
ランダム効果の正規分布を仮定した場合、最大極大アプローチを用いて推論を行うことができる。
本稿では、古典的(制約のない)LMEモデルを拡張し、その全体係数の符号制約を許容する。
論文 参考訳（メタデータ） (2020-11-09T16:17:35Z) - 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。