論文の概要: Neural Network Augmented Compartmental Pandemic Models
- arxiv url: http://arxiv.org/abs/2212.08481v1
- Date: Thu, 15 Dec 2022 10:57:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 16:32:24.235962
- Title: Neural Network Augmented Compartmental Pandemic Models
- Title（参考訳）: ニューラルネットワークによる比較パデミックモデルの構築
- Authors: Lorenz Kummer and Kevin Sidak
- Abstract要約: 本稿では,コモディティハードウェア上で動作可能なニューラルネットワーク拡張SIRモデルを提案する。
NPIと気象効果を考慮に入れ、予測能力と対物分析能力の向上を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Compartmental models are a tool commonly used in epidemiology for the
mathematical modelling of the spread of infectious diseases, with their most
popular representative being the Susceptible-Infected-Removed (SIR) model and
its derivatives. However, current SIR models are bounded in their capabilities
to model government policies in the form of non-pharmaceutical interventions
(NPIs) and weather effects and offer limited predictive power. More capable
alternatives such as agent based models (ABMs) are computationally expensive
and require specialized hardware. We introduce a neural network augmented SIR
model that can be run on commodity hardware, takes NPIs and weather effects
into account and offers improved predictive power as well as counterfactual
analysis capabilities. We demonstrate our models improvement of the
state-of-the-art modeling COVID-19 in Austria during the 03.2020 to 03.2021
period and provide an outlook for the future up to 01.2024.
- Abstract（参考訳）: 比較モデルは疫学において、伝染病の拡散を数学的にモデル化するための道具であり、その代表例は感受性感染除去(SIR)モデルとその誘導体である。
しかしながら、現在のSIRモデルは、非医薬品介入(NPI)と気象効果の形で政府の政策をモデル化し、限られた予測力を提供する能力に縛られている。
エージェントベースモデル(ABM)のようなより有能な代替品は計算コストが高く、特別なハードウェアを必要とする。
我々は,商用ハードウェア上で動作し,npisと気象効果を考慮したニューラルネットワーク拡張sirモデルを導入し,予測能力の向上と反事実分析機能を提供する。
我々は,オーストリアにおいて,03.2020年から03.2021年までの最先端モデルであるcovid-19のモデル改善を実証し,01.2024までの今後の展望を示す。
関連論文リスト
- Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - An AI-enabled Agent-Based Model and Its Application in Measles Outbreak
Simulation for New Zealand [5.4017711896476905]
エージェントベースモデル(ABM)は、複雑な社会的相互作用を研究する強力なツールとして登場した。
グラフニューラルネットワーク(GNN)とLong Short-Term Memory(LSTM)を結合したテンソル化・微分可能なエージェントベースモデルを開発した。
本稿では、最新の人工知能(AI)技術と従来のABMの能力を活用して、伝染病の発生のダイナミクスについてより深い知見を得る。
論文 参考訳（メタデータ） (2024-03-06T03:36:07Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - A Mobility-Aware Deep Learning Model for Long-Term COVID-19 Pandemic
Prediction and Policy Impact Analysis [33.827779801577584]
本稿では,予測をより未来へ伝播させるモデルを提案し,エッジ表現を改良した。
我々のモデルは、公衆衛生研究者や政策立案者にとって効果的なツールボックスを提供する移動分析を可能にする。
論文 参考訳（メタデータ） (2022-12-05T19:57:28Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - 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) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。
また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
論文 参考訳（メタデータ） (2021-06-24T01:40:17Z) - Digital twins based on bidirectional LSTM and GAN for modelling COVID-19 [8.406968279478347]
新型コロナウイルスの感染が世界中に広がり、1億人以上が感染し、220万人以上が死亡した。
疫学モデルの研究は、このような病気がどのように広まるかをよりよく理解するために、緊急に必要である。
機械学習技術の最近の進歩は、計算コストの削減で複雑なダイナミクスを学習し、予測する能力を持つニューラルネットワークを生み出している。
論文 参考訳（メタデータ） (2021-02-03T11:54:24Z) - Robustness of Model Predictions under Extension [3.766702945560518]
分析にモデルを使うのに注意すべき点は、予測因果効果と条件独立性はモデル拡張の下では堅牢でないことである。
定性モデル予測のロバスト性を効率的に評価するために,因果順序付け手法の使い方を示す。
平衡の力学系では、新しい洞察が適切なモデル拡張を選択するのにどのように役立つかを示す。
論文 参考訳（メタデータ） (2020-12-08T20:21:03Z)
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。