論文の概要: Deep Dynamic Epidemiological Modelling for COVID-19 Forecasting in Multi-level Districts

• arxiv url: http://arxiv.org/abs/2306.12457v1
• Date: Wed, 21 Jun 2023 06:30:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-23 16:43:07.948660
• Title: Deep Dynamic Epidemiological Modelling for COVID-19 Forecasting in Multi-level Districts
• Title（参考訳）: 多レベル地域におけるcovid-19予測のための深部動的疫学モデル
• Authors: Ruhan Liu, Jiajia Li, Yang Wen, Huating Li, Ping Zhang, Bin Sheng, David Dagan Feng
• Abstract要約: SEIRモデルに基づく疫学方程式は疾患の発生をシミュレートする。 SEIR方程式を解く従来のパラメータ推定法は実世界のデータに正確には適合しなかった。 ディープ・ダイナミック・疫学(DDE)法は、疫学方程式とディープラーニングの利点を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 23.725821734863487
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Objective: COVID-19 has spread worldwide and made a huge influence across the world. Modeling the infectious spread situation of COVID-19 is essential to understand the current condition and to formulate intervention measurements. Epidemiological equations based on the SEIR model simulate disease development. The traditional parameter estimation method to solve SEIR equations could not precisely fit real-world data due to different situations, such as social distancing policies and intervention strategies. Additionally, learning-based models achieve outstanding fitting performance, but cannot visualize mechanisms. Methods: Thus, we propose a deep dynamic epidemiological (DDE) method that combines epidemiological equations and deep-learning advantages to obtain high accuracy and visualization. The DDE contains deep networks to fit the effect function to simulate the ever-changing situations based on the neural ODE method in solving variants' equations, ensuring the fitting performance of multi-level areas. Results: We introduce four SEIR variants to fit different situations in different countries and regions. We compare our DDE method with traditional parameter estimation methods (Nelder-Mead, BFGS, Powell, Truncated Newton Conjugate-Gradient, Neural ODE) in fitting the real-world data in the cases of countries (the USA, Columbia, South Africa) and regions (Wuhan in China, Piedmont in Italy). Our DDE method achieves the best Mean Square Error and Pearson coefficient in all five areas. Further, compared with the state-of-art learning-based approaches, the DDE outperforms all techniques, including LSTM, RNN, GRU, Random Forest, Extremely Random Trees, and Decision Tree. Conclusion: DDE presents outstanding predictive ability and visualized display of the changes in infection rates in different regions and countries.
• Abstract（参考訳）: 目的:新型コロナウイルスは世界中に広がり、世界中で大きな影響を与えた。 新型コロナウイルスの感染拡大状況のモデル化は、現在の状況を理解し、介入測定を定式化する上で不可欠である。 SEIRモデルに基づく疫学方程式は疾患の発生をシミュレートする。 セイル方程式を解く従来のパラメータ推定法は, 社会的分散政策や介入戦略など, 様々な状況から実世界データに正確に適合することができなかった。 さらに、学習ベースのモデルは優れた適合性能を達成するが、メカニズムを可視化することはできない。 方法:本論文では,疫学方程式と深層学習の利点を組み合わせた深層動的疫学(DDE)法を提案する。 DDEには効果関数に適合する深いネットワークが含まれており、変分方程式の解法におけるニューラルODE法に基づいて、常に変化する状況をシミュレートし、マルチレベル領域の適合性能を確保する。 結果: 異なる国や地域で異なる状況に適合する4つのSEIR変異体を紹介した。 我々は,DDE法と従来のパラメータ推定法(Nelder-Mead, BFGS, Powell, Truncated Newton Conjugate-Gradient, Neural ODE)を比較し,実世界のデータ(米国,コロンビア,南アフリカ)と地域(中国の武漢,イタリアのピードモント)とを比較した。 DDE法は,全5領域における平均正方形誤差とピアソン係数を達成する。 さらに、最先端の学習ベースアプローチと比較して、DDEはLSTM、RNN、GRU、Random Forest、Extremely Random Trees、Decision Treeなど、すべての技術より優れている。 結論:ddeは優れた予測能力を示し,異なる地域や国における感染率の変化を可視化した。

関連論文リスト

• Adversarial Learning for Neural PDE Solvers with Sparse Data [4.226449585713182]
  本研究では,ロバストトレーニングのためのシステムモデル拡張(Systematic Model Augmentation for Robust Training)という,ニューラルネットワークPDEの普遍的学習戦略を紹介する。 モデルの弱点に挑戦し改善することに集中することにより、SMARTはデータスカース条件下でのトレーニング中の一般化エラーを低減する。
  論文  参考訳（メタデータ） (2024-09-04T04:18:25Z)
• Learning COVID-19 Regional Transmission Using Universal Differential Equations in a SIR model [0.0]
  本稿では,周辺地域の影響を捉えるために,ユニバーサル微分方程式(UDE)を提案する。 深層ニューラルネットワーク(DNN)によって構成されるSIR方程式に付加的な用語を含め、他の領域からの感染の入射力を学習する。 DNNのみからなる単一領域SIRと完全データ駆動モデルとの比較を行った。
  論文  参考訳（メタデータ） (2023-10-25T17:35:01Z)
• PDE+: Enhancing Generalization via PDE with Adaptive Distributional Diffusion [66.95761172711073]
  ニューラルネットワークの一般化は、機械学習における中心的な課題です。 本稿では、入力データを調整することに集中するのではなく、ニューラルネットワークの基盤機能を直接拡張することを提案する。 私たちはこの理論的フレームワークを、$textbfPDE+$$textbfPDE$ with $textbfA$daptive $textbfD$istributional $textbfD$iffusionとして実践しました。
  論文  参考訳（メタデータ） (2023-05-25T08:23:26Z)
• PINN Training using Biobjective Optimization: The Trade-off between Data Loss and Residual Loss [0.0]
  物理情報ニューラルネットワーク(PINN)は、測定データが利用可能な問題を表現するための効率的なツールであることが証明されている。 本稿では、データ損失と残留損失を2つの個別目的関数として扱うことにより、PINNのトレーニングにおける多目的視点を提案する。
  論文  参考訳（メタデータ） (2023-02-03T15:27:50Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• 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)
• 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)
• Robust pricing and hedging via neural SDEs [0.0]
  我々は,ニューラルSDEの効率的な利用に必要な新しいアルゴリズムを開発し,分析する。 我々は、関連する市場データを取り入れつつ、デリバティブの価格とそれに対応するヘッジ戦略の堅牢な境界を見出した。 ニューラルSDEはリスクニュートラルと現実世界の両方で一貫したキャリブレーションを可能にする。
  論文  参考訳（メタデータ） (2020-07-08T14:33:17Z)
• When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
  新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。 さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。 本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
  論文  参考訳（メタデータ） (2020-05-13T18:21:50Z)
• Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
  ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。 トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。 しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
  論文  参考訳（メタデータ） (2020-02-22T22:12:56Z)

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。