論文の概要: A Modified PINN Approach for Identifiable Compartmental Models in
Epidemiology with Applications to COVID-19
- arxiv url: http://arxiv.org/abs/2208.01169v1
- Date: Mon, 1 Aug 2022 23:09:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-03 12:52:32.908196
- Title: A Modified PINN Approach for Identifiable Compartmental Models in
Epidemiology with Applications to COVID-19
- Title（参考訳）: 疫学における同定可能な比較モデルに対するPINNのアプローチとCOVID-19への応用
- Authors: Haoran Hu, Connor M Kennedy, Panayotis G. Kevrekidis, Hongkun Zhang
- Abstract要約: 我々は,Covid-19の米国開発における「物理情報ニューラルネットワーク」のバリエーションを用いたアクセス可能なデータ分析へのアプローチを提案する。
モデルパラメータの識別可能性の側面も評価し、ウェーブレット変換を用いて利用可能なデータを識別する方法も評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A variety of approaches using compartmental models have been used to study
the COVID-19 pandemic and the usage of machine learning methods with these
models has had particularly notable success. We present here an approach toward
analyzing accessible data on Covid-19's U.S. development using a variation of
the "Physics Informed Neural Networks" (PINN) which is capable of using the
knowledge of the model to aid learning. We illustrate the challenges of using
the standard PINN approach, then how with appropriate and novel modifications
to the loss function the network can perform well even in our case of
incomplete information. Aspects of identifiability of the model parameters are
also assessed, as well as methods of denoising available data using a wavelet
transform. Finally, we discuss the capability of the neural network methodology
to work with models of varying parameter values, as well as a concrete
application in estimating how effectively cases are being tested for in a
population, providing a ranking of U.S. states by means of their respective
testing.
- Abstract（参考訳）: 新型コロナウイルスのパンデミックや、これらのモデルを用いた機械学習手法の使用を研究するために、コンパートメンタルモデルを用いたさまざまなアプローチが利用されてきた。
本稿では,Covid-19 の米国開発におけるアクセシビリティデータを,学習を支援するためにモデルの知識を活用可能な "Physics Informed Neural Networks" (PINN) のバリエーションを用いて分析するアプローチを提案する。
本稿では,標準的なPINN手法を用いた場合の課題について述べるとともに,不完全情報の場合においてもネットワークの損失関数を適切に,かつ新規に修正する方法について述べる。
モデルパラメータの識別可能性の側面も評価し、ウェーブレット変換を用いて利用可能なデータを識別する方法も評価する。
最後に、様々なパラメータ値のモデルを扱うニューラルネットワーク方法論の能力と、集団においてどの程度効果的にケースをテストしているかを推定する具体的な応用について論じ、それぞれのテストによって米国の状態をランク付けする。
関連論文リスト
- Model Evaluation and Anomaly Detection in Temporal Complex Networks using Deep Learning Methods [0.0]
本稿では,時間的ネットワークモデルの結果評価の問題に対処するために,ディープラーニングに基づく自動アプローチを提案する。
評価法に加えて,提案手法は進化するネットワークにおける異常検出にも利用できる。
論文 参考訳（メタデータ） (2024-06-15T09:19:09Z) - Manipulating Feature Visualizations with Gradient Slingshots [54.31109240020007]
本稿では,モデルの決定過程に大きな影響を及ぼすことなく,特徴可視化(FV)を操作する新しい手法を提案する。
ニューラルネットワークモデルにおける本手法の有効性を評価し,任意の選択したニューロンの機能を隠蔽する能力を示す。
論文 参考訳（メタデータ） (2024-01-11T18:57:17Z) - An interpretable deep learning method for bearing fault diagnosis [12.069344716912843]
我々は、グラディエント重み付きクラス活性化マッピング(Grad-CAM)可視化を用いた畳み込みニューラルネットワーク(CNN)を用いて、ベアリング障害を分類するための解釈可能なディープラーニング(DL)手法を構築した。
モデル評価過程において,提案手法は特徴量の類似性に応じて,健康図書館から予測ベースサンプルを検索する。
論文 参考訳（メタデータ） (2023-08-20T15:22:08Z) - Plug-and-Play Knowledge Injection for Pre-trained Language Models [116.37916535076478]
外部知識を注入することで、様々な下流NLPタスクにおける事前学習言語モデル(PLM)の性能を向上させることができる。
下流タスクのための新しい知識注入方法や知識ベースを展開するには、大規模な再訓練が必要である。
既存の下流モデルを用いて知識注入の柔軟性と効率を改善する方法について検討する。
論文 参考訳（メタデータ） (2023-05-28T10:58:00Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - A Statistical-Modelling Approach to Feedforward Neural Network Model Selection [0.8287206589886881]
フィードフォワードニューラルネットワーク(FNN)は非線形回帰モデルと見なすことができる。
FNNのためのベイズ情報基準(BIC)を用いて,新しいモデル選択法を提案する。
サンプル外性能よりもBICを選択することは、真のモデルを回復する確率を増大させる。
論文 参考訳（メタデータ） (2022-07-09T11:07:04Z) - Neural ODEs with Irregular and Noisy Data [8.349349605334316]
ノイズや不規則なサンプル測定を用いて微分方程式を学習する手法について議論する。
我々の方法論では、ディープニューラルネットワークとニューラル常微分方程式(ODE)アプローチの統合において、大きな革新が見られる。
ベクトル場を記述するモデルを学習するためのフレームワークは,雑音測定において非常に効果的である。
論文 参考訳（メタデータ） (2022-05-19T11:24:41Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳（メタデータ） (2022-03-23T12:52:49Z) - 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) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Causality-aware counterfactual confounding adjustment for feature
representations learned by deep models [14.554818659491644]
因果モデリングは機械学習(ML)における多くの課題に対する潜在的な解決策として認識されている。
深層ニューラルネットワーク(DNN)モデルによって学習された特徴表現を分解するために、最近提案された対実的アプローチが依然として使われている方法について説明する。
論文 参考訳（メタデータ） (2020-04-20T17:37:36Z)
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。