論文の概要: Differentiable Agent-based Epidemiology

• arxiv url: http://arxiv.org/abs/2207.09714v1
• Date: Wed, 20 Jul 2022 07:32:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 13:07:49.335559
• Title: Differentiable Agent-based Epidemiology
• Title（参考訳）: 分化剤に基づく疫学
• Authors: Ayush Chopra, Alexander Rodr\'iguez, Jayakumar Subramanian, Balaji Krishnamurthy, B. Aditya Prakash, Ramesh Raskar
• Abstract要約: エージェントベースモデル(ABM)の新しいスケーラブルで高速で差別化可能な設計であるGradABMを紹介する。 GradABMはコモディティハードウェア上で数秒でシミュレーションを実行し、高速で微分可能な逆シミュレーションを可能にする。 実際のCOVID-19およびインフルエンザデータセットを用いた広範囲な実験によりGradABMの有効性を実証した。
• 参考スコア（独自算出の注目度）: 75.41676122598204
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mechanistic simulators are an indispensable tool for epidemiology to explore the behavior of complex, dynamic infections under varying conditions and navigate uncertain environments. ODE-based models are the dominant paradigm that enable fast simulations and are tractable to gradient-based optimization, but make simplifying assumptions about population homogeneity. Agent-based models (ABMs) are an increasingly popular alternative paradigm that can represent the heterogeneity of contact interactions with granular detail and agency of individual behavior. However, conventional ABM frameworks are not differentiable and present challenges in scalability; due to which it is non-trivial to connect them to auxiliary data sources easily. In this paper we introduce GradABM which is a new scalable, fast and differentiable design for ABMs. GradABM runs simulations in few seconds on commodity hardware and enables fast forward and differentiable inverse simulations. This makes it amenable to be merged with deep neural networks and seamlessly integrate heterogeneous data sources to help with calibration, forecasting and policy evaluation. We demonstrate the efficacy of GradABM via extensive experiments with real COVID-19 and influenza datasets. We are optimistic this work will bring ABM and AI communities closer together.
• Abstract（参考訳）: メカニスティックシミュレータは疫学にとって必要不可欠なツールであり、様々な条件下で複雑な動的感染の挙動を探索し、不確実な環境をナビゲートする。 ODEベースのモデルは、高速なシミュレーションを可能にする主要なパラダイムであり、勾配ベースの最適化に難航するが、集団の均一性に関する仮定を単純化する。 エージェント・ベース・モデル (abms) は、個々の行動や細部との接触相互作用の多様性を表現できる、よりポピュラーな代替パラダイムである。 しかし、従来の ABM フレームワークは微分可能ではなく、スケーラビリティの課題を呈している。 本稿では,ABMの新しいスケーラブルで高速かつ差別化可能な設計であるGradABMを紹介する。 GradABMはコモディティハードウェア上で数秒でシミュレーションを実行し、高速で微分可能な逆シミュレーションを可能にする。 これにより、ディープニューラルネットワークとマージでき、不均一なデータソースをシームレスに統合してキャリブレーション、予測、ポリシー評価を支援することができる。 実際のCOVID-19およびインフルエンザデータセットを用いた広範囲な実験によりGradABMの有効性を実証した。 私たちはこの取り組みがABMとAIコミュニティを緊密に結び付けると楽観的だ。

関連論文リスト

• MVKTrans: Multi-View Knowledge Transfer for Robust Multiomics Classification [14.533025681231294]
  そこで本研究では,生物内および生物間知識を適応的に伝達する多視点知識伝達学習フレームワークを提案する。 具体的には、未ラベルデータに基づいて訓練されたグラフコントラストモジュールを設計し、基礎となるオミクス内パターンを教師付きタスクに効果的に学習し、転送する。 異なる疾患および/またはサンプルにおけるモダリティの識別能力の変化を考慮して, 適応型および双方向のクロスオミクス蒸留モジュールを導入する。
  論文  参考訳（メタデータ） (2024-11-13T15:45:46Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• INTAGS: Interactive Agent-Guided Simulation [4.04638613278729]
  マルチエージェントシステム(MAS)を含む多くのアプリケーションでは、実稼働に先立って、実験的な(Exp)自律エージェントを高忠実度シミュレータでテストすることが必須である。 本稿では,ExpエージェントとBGエージェントのライブインタラクションによって評価される実システムと合成マルチエージェントシステムとを区別する指標を提案する。 InTAGSを用いてシミュレータのキャリブレーションを行い、現状のWasserstein Generative Adversarial Networkアプローチと比較して、より現実的な市場データを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-09-04T19:56:18Z)
• Rethinking Mitosis Detection: Towards Diverse Data and Feature Representation [30.882319057927052]
  ミトコンドリア検出のための新しい一般化可能なフレームワーク(MitDet)を提案する。 提案手法は,いくつかの一般的なミトーシス検出データセットにおいて,SOTAのアプローチよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-07-12T03:33:11Z)
• Heterogeneous Domain Adaptation and Equipment Matching: DANN-based Alignment with Cyclic Supervision (DBACS) [3.4519649635864584]
  この研究は、サイクリック・スーパービジョン(DBACS)アプローチによるドメイン適応ニューラルネットワークを導入している。 DBACSはドメイン適応によるモデル一般化の問題、特に異種データに対処する。 この作業には、サブスペースアライメントや、異種表現を扱う多視点学習も含まれる。
  論文  参考訳（メタデータ） (2023-01-03T10:56:25Z)
• 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)
• DeepABM: Scalable, efficient and differentiable agent-based simulations via graph neural networks [18.50340156403979]
  我々は,グラフニューラルネットワークの幾何学的メッセージパッシングを利用したエージェントベースモデリングのためのフレームワークであるDeepABMを紹介した。 具体的には、DeepABM-COVIDは90秒で2億件のインタラクション(180のタイムステップで10万件以上のエージェント)をモデル化できる。 臨床および公衆衛生の専門家と共同で、新型コロナウイルスワクチンの第2回投与を遅らせる効果を評価するために、ある研究結果について論じる。
  論文  参考訳（メタデータ） (2021-10-09T00:46:13Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。