論文の概要: DeepEpiSolver: Unravelling Inverse problems in Covid, HIV, Ebola and Disease Transmission

• arxiv url: http://arxiv.org/abs/2303.14194v1
• Date: Fri, 24 Mar 2023 11:47:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 21:26:02.028608
• Title: DeepEpiSolver: Unravelling Inverse problems in Covid, HIV, Ebola and Disease Transmission
• Title（参考訳）: DeepEpiSolver:コビッド、HIV、エボラ、病原体の逆問題
• Authors: Ritam Majumdar, Shirish Karande, Lovekesh Vig
• Abstract要約: ニューラルネットワークを用いて、SIDRの拡散軌跡と係数のマッピングをオフラインで学習する。 11の高感染症に対するPINNと同等の精度で3～4桁のスピードアップを観察した。
• 参考スコア（独自算出の注目度）: 15.199209463685706
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The spread of many infectious diseases is modeled using variants of the SIR compartmental model, which is a coupled differential equation. The coefficients of the SIR model determine the spread trajectories of disease, on whose basis proactive measures can be taken. Hence, the coefficient estimates must be both fast and accurate. Shaier et al. in the paper "Disease Informed Neural Networks" used Physics Informed Neural Networks (PINNs) to estimate the parameters of the SIR model. There are two drawbacks to this approach. First, the training time for PINNs is high, with certain diseases taking close to 90 hrs to train. Second, PINNs don't generalize for a new SIDR trajectory, and learning its corresponding SIR parameters requires retraining the PINN from scratch. In this work, we aim to eliminate both of these drawbacks. We generate a dataset between the parameters of ODE and the spread trajectories by solving the forward problem for a large distribution of parameters using the LSODA algorithm. We then use a neural network to learn the mapping between spread trajectories and coefficients of SIDR in an offline manner. This allows us to learn the parameters of a new spread trajectory without having to retrain, enabling generalization at test time. We observe a speed-up of 3-4 orders of magnitude with accuracy comparable to that of PINNs for 11 highly infectious diseases. Further finetuning of neural network inferred ODE coefficients using PINN further leads to 2-3 orders improvement of estimated coefficients.
• Abstract（参考訳）: 多くの感染症の拡散は、結合微分方程式であるSIR区画モデルの変種を用いてモデル化されている。 SIRモデルの係数は、疾患の拡散軌跡を決定する。 したがって、係数推定は高速かつ正確でなければならない。 Shaierらは論文"Disease Informed Neural Networks"の中で、SIRモデルのパラメータを推定するために物理インフォームドニューラルネットワーク(PINN)を使用した。 このアプローチには2つの欠点がある。 まず、ピンの訓練時間は高く、訓練に90時間近くかかる病気もある。 第二に、PINNは新たなSIDR軌道を一般化せず、対応するSIRパラメータを学習するには、PINNをゼロから再トレーニングする必要がある。 この作業では、これらの両方の欠点を取り除こうとしています。 LSODAアルゴリズムを用いて,パラメータの大規模分布に対する前方問題の解法により,ODEのパラメータと拡散軌跡とのデータセットを生成する。 次に、ニューラルネットワークを使用して、拡散された軌道とsidrの係数のマッピングをオフラインで学習する。 これにより、再トレーニングすることなく新しい拡散軌道のパラメータを学習し、テスト時の一般化を可能にします。 11の高感染症に対するPINNと同等の精度で3～4桁のスピードアップを観察した。 PINNを用いたニューラルネットワーク推定ODE係数のさらなる微調整により、推定係数の2～3次改善がもたらされる。

関連論文リスト

• Discovering Long-Term Effects on Parameter Efficient Fine-tuning [36.83255498301937]
  事前訓練されたニューラルネットワーク(Annns)は、堅牢なパターン認識機能を示す。 アンとBNNはヒト脳、特にBNNと大きな類似点を共有している アンは微調整によって新しい知識を得ることができる。
  論文  参考訳（メタデータ） (2024-08-24T03:27:29Z)
• Sparsifying Bayesian neural networks with latent binary variables and normalizing flows [10.865434331546126]
  潜伏二元系ベイズニューラルネットワーク(LBBNN)の2つの拡張について検討する。 まず、隠れたユニットを直接サンプリングするためにLRT(Local Reparametrization trick)を用いることで、より計算効率の良いアルゴリズムが得られる。 さらに, LBBNNパラメータの変動後分布の正規化フローを用いて, 平均体ガウス分布よりも柔軟な変動後分布を学習する。
  論文  参考訳（メタデータ） (2023-05-05T09:40:28Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• 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)
• Training High-Performance Low-Latency Spiking Neural Networks by Differentiation on Spike Representation [70.75043144299168]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。 非分化性のため、SNNを効率的に訓練することは困難である。 本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
  論文  参考訳（メタデータ） (2022-05-01T12:44:49Z)
• Study of Drug Assimilation in Human System using Physics Informed Neural Networks [0.0]
  物理情報ニューラルネットワーク(PINN)を用いた人体システムにおける薬物同化の2つの数学的モデルについて検討する。 結果の微分方程式をPINNを用いて解き、関数近似としてフィードフォワード多層パーセプトロンを用い、ネットワークパラメータを最小誤差に調整する。 我々は,PINNのピソンライブラリであるDeepXDEを用いて,薬物同化の2つのモデルを記述する一階微分方程式の同時解法を行った。
  論文  参考訳（メタデータ） (2021-10-08T07:46:46Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• Multi-fidelity Bayesian Neural Networks: Algorithms and Applications [0.0]
  本稿では,可変忠実度の雑音データを用いて訓練できるベイズ型ニューラルネットワーク(BNN)を提案する。 関数近似の学習や、偏微分方程式(PDE)に基づく逆問題の解法に応用する。
  論文  参考訳（メタデータ） (2020-12-19T02:03:53Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。