論文の概要: Can a latent Hawkes process be used for epidemiological modelling?
- arxiv url: http://arxiv.org/abs/2208.07340v1
- Date: Mon, 15 Aug 2022 17:09:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 15:11:49.568269
- Title: Can a latent Hawkes process be used for epidemiological modelling?
- Title(参考訳): 潜在するホークス過程は疫学的モデリングに使用できるか?
- Authors: Stamatina Lamprinakou, Axel Gandy, Emma McCoy
- Abstract要約: 我々は,潜伏するホークスプロセスを用いた新しい流行モデルを導入する。
報告された事例を,基礎となるホークス過程によって駆動される確率分布を用いてモデル化する。
潜伏ケースと再生数の両方を推定するためのカーネル密度粒子フィルタ(KDPF)を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the spread of COVID-19 has been the subject of numerous
studies, highlighting the significance of reliable epidemic models. Here, we
introduce a novel epidemic model using a latent Hawkes process with temporal
covariates for modelling the infections. Unlike other models, we model the
reported cases via a probability distribution driven by the underlying Hawkes
process. Modelling the infections via a Hawkes process allows us to estimate by
whom an infected individual was infected. We propose a Kernel Density Particle
Filter (KDPF) for inference of both latent cases and reproduction number and
for predicting the new cases in the near future. The computational effort is
proportional to the number of infections making it possible to use particle
filter type algorithms, such as the KDPF. We demonstrate the performance of the
proposed algorithm on synthetic data sets and COVID-19 reported cases in
various local authorities in the UK, and benchmark our model to alternative
approaches.
- Abstract(参考訳): 新型コロナウイルスの感染拡大を理解することは、信頼できる流行モデルの重要性を強調する多くの研究の対象となっている。
本稿では,感染をモデル化するための時間的共変量を持つ潜伏ホークス法を用いて,新しい流行モデルを提案する。
他のモデルとは異なり、ホークス過程によって引き起こされる確率分布によって報告された事例をモデル化する。
ホークスプロセスを通じて感染をモデル化することで、感染した個人を見積もることができる。
我々は,潜伏するケースと再生数の両方を推定し,近い将来に新たなケースを予測するためにカーネル密度粒子フィルタ(KDPF)を提案する。
計算の労力は、KDPFのような粒子フィルタ型アルゴリズムの使用を可能にする感染症の数に比例する。
本研究は、イギリス各地の地方自治体において、合成データセットとCOVID-19報告事例に対する提案アルゴリズムの性能を実証し、我々のモデルを代替アプローチにベンチマークする。
関連論文リスト
- Modeling Epidemic Spread: A Gaussian Process Regression Approach [0.7374726900469741]
本稿では,Gaussian Process regression(GPR)に基づく新しいデータ駆動手法を提案する。
本稿では、GPRを用いて、イギリスで新型コロナウイルス流行時に収集された実世界感染データを用いて、感染拡大をモデル化し、予測する例を示す。
論文 参考訳(メタデータ) (2023-12-14T22:45:01Z) - Bi-Noising Diffusion: Towards Conditional Diffusion Models with
Generative Restoration Priors [64.24948495708337]
本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。
我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
論文 参考訳(メタデータ) (2022-12-14T17:26:35Z) - Unifying Epidemic Models with Mixtures [28.771032745045428]
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。
論文 参考訳(メタデータ) (2022-01-07T19:42:05Z) - CSDI: Conditional Score-based Diffusion Models for Probabilistic Time
Series Imputation [107.63407690972139]
Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。
CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。
さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
論文 参考訳(メタデータ) (2021-07-07T22:20:24Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳(メタデータ) (2020-12-08T21:21:47Z) - 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) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳(メタデータ) (2020-09-12T20:37:33Z) - 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) - A Recurrent Neural Network and Differential Equation Based
Spatiotemporal Infectious Disease Model with Application to COVID-19 [3.464871689508835]
我々は、ディファレンス微分方程式(SIR)とリカレントニューラルネットワーク(RNN)に基づく統合疾患モデルを開発する。
イタリアのCO-19データをトレーニングし,既存の時間モデル(NN,SIR,ARIMA)を1日,3日,1週間の予測で上回っていることを示す。
論文 参考訳(メタデータ) (2020-07-14T07:04:57Z) - CRISP: A Probabilistic Model for Individual-Level COVID-19 Infection
Risk Estimation Based on Contact Data [6.0785913977668935]
本稿では,SEIRモデルに基づく集団内感染の確率的グラフィカルモデルを提案する。
当社のマイクロレベルモデルでは、各時点の感染状況が記録されており、感染、感染、感染、回復まで様々です。
これは、個々のレベルの接触データに基づいて、新型コロナウイルスの感染拡大を効率的に推測する最初のモデルである。
論文 参考訳(メタデータ) (2020-06-09T04:25:56Z) - 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。