論文の概要: Uncertainty Informed Optimal Resource Allocation with Gaussian Process
based Bayesian Inference
- arxiv url: http://arxiv.org/abs/2307.00032v1
- Date: Fri, 30 Jun 2023 03:49:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 18:32:27.813876
- Title: Uncertainty Informed Optimal Resource Allocation with Gaussian Process
based Bayesian Inference
- Title(参考訳): ガウス過程に基づくベイズ推論を用いた不確かさインフォームド最適資源配分
- Authors: Samarth Gupta, Saurabh Amin
- Abstract要約: 本稿では,パラメータの不確かさを高精度かつ正確に表現するためのデータ駆動型手法を,新しい最適化問題定式化において開発する。
本実験は,重要な疫学的パラメータの不確実性を考慮することにより,時間クリティカルなアロケーション決定の有効性を4~8%向上させることを示唆している。
- 参考スコア(独自算出の注目度): 4.7464518249313805
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We focus on the problem of uncertainty informed allocation of medical
resources (vaccines) to heterogeneous populations for managing epidemic spread.
We tackle two related questions: (1) For a compartmental ordinary differential
equation (ODE) model of epidemic spread, how can we estimate and integrate
parameter uncertainty into resource allocation decisions? (2) How can we
computationally handle both nonlinear ODE constraints and parameter
uncertainties for a generic stochastic optimization problem for resource
allocation? To the best of our knowledge current literature does not fully
resolve these questions. Here, we develop a data-driven approach to represent
parameter uncertainty accurately and tractably in a novel stochastic
optimization problem formulation. We first generate a tractable scenario set by
estimating the distribution on ODE model parameters using Bayesian inference
with Gaussian processes. Next, we develop a parallelized solution algorithm
that accounts for scenario-dependent nonlinear ODE constraints. Our
scenario-set generation procedure and solution approach are flexible in that
they can handle any compartmental epidemiological ODE model. Our computational
experiments on two different non-linear ODE models (SEIR and SEPIHR) indicate
that accounting for uncertainty in key epidemiological parameters can improve
the efficacy of time-critical allocation decisions by 4-8%. This improvement
can be attributed to data-driven and optimal (strategic) nature of vaccine
allocations, especially in the early stages of the epidemic when the allocation
strategy can crucially impact the long-term trajectory of the disease.
- Abstract(参考訳): 我々は,異種集団への医療資源(ワクチン)配分の不確実性の問題に焦点をあてた。
1) 病原性拡散の区画型常微分方程式(ode)モデルに対して, パラメータの不確かさを資源割当決定にどのように推定し, 統合できるのか?
2)資源割当に対する一般確率最適化問題に対して,非線形ODE制約とパラメータの不確実性の両方を計算的に処理する方法
私たちの知る限りでは、現在の文献はこれらの疑問を完全に解決していない。
本稿では,新しい確率最適化問題定式化において,パラメータの不確実性を正確にかつ気軽に表現するためのデータ駆動手法を開発した。
まず、ガウス過程によるベイズ推定を用いてODEモデルパラメータの分布を推定し、抽出可能なシナリオを生成する。
次に,シナリオ依存型非線形ODE制約を考慮した並列化解法を提案する。
我々のシナリオセット生成手法と解法アプローチは、どんな区画的疫学的ODEモデルでも扱えるように柔軟である。
2つの異なる非線形odeモデル(seirとsepihr)における計算実験により、重要な疫学パラメータの不確かさを考慮すれば、時間クリティカルな割り当て決定の有効性が4-8%向上することが示された。
この改善は、特に疫病の流行の初期段階において、病気の長期的経路に重大な影響を与える可能性がある、データ駆動的かつ最適な(戦略的な)性質に起因する可能性がある。
関連論文リスト
- A local squared Wasserstein-2 method for efficient reconstruction of models with uncertainty [0.0]
本稿では,不確定な潜伏変数やパラメータを持つモデル再構成の逆問題を解決するために,局所二乗ワッサースタイン-2(W_2)法を提案する。
このアプローチの重要な利点は、下位モデルにおける潜伏変数やパラメータの分布に関する事前情報を必要としないことである。
論文 参考訳(メタデータ) (2024-06-10T22:15:55Z) - Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。
診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。
本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文 参考訳(メタデータ) (2024-03-09T13:48:20Z) - Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。
我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。
本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
論文 参考訳(メタデータ) (2023-12-07T15:55:58Z) - Learning Against Distributional Uncertainty: On the Trade-off Between
Robustness and Specificity [24.874664446700272]
本稿では,3つのアプローチを統一し,上記の2つの課題に対処する新たな枠組みについて検討する。
提案したモデルのモンテカルロ法に基づく解法(例えば、一貫性と正規性)、非漸近性(例えば、非バイアス性や誤差境界)について検討した。
論文 参考訳(メタデータ) (2023-01-31T11:33:18Z) - Deep Learning Aided Laplace Based Bayesian Inference for Epidemiological
Systems [2.596903831934905]
本稿では,Laplace をベースとしたベイズ推定と ANN アーキテクチャを併用して ODE 軌道の近似を求めるハイブリッド手法を提案する。
本手法の有効性を,非分析的ソリューションを用いた疫学システム,Susceptible-Infectious-Demoved (SIR) モデルを用いて実証した。
論文 参考訳(メタデータ) (2022-10-17T09:02:41Z) - Integrated Conditional Estimation-Optimization [6.037383467521294]
確率のある不確実なパラメータを文脈的特徴情報を用いて推定できる実世界の多くの最適化問題である。
不確実なパラメータの分布を推定する標準的な手法とは対照的に,統合された条件推定手法を提案する。
当社のI CEOアプローチは、穏健な条件下で理論的に一貫性があることを示します。
論文 参考訳(メタデータ) (2021-10-24T04:49:35Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-07T10:14:18Z) - Learning MDPs from Features: Predict-Then-Optimize for Sequential
Decision Problems by Reinforcement Learning [52.74071439183113]
我々は、強化学習を通して解決された逐次決定問題(MDP)の文脈における予測列最適化フレームワークについて検討した。
2つの重要な計算課題は、意思決定中心の学習をMDPに適用することである。
論文 参考訳(メタデータ) (2021-06-06T23:53:31Z) - Online Optimization and Ambiguity-based Learning of Distributionally Uncertain Dynamic Systems [1.6709415233613623]
本稿では,分散的に不確実な力学系のクラスを対象とする最適化問題 (P) に対して,データ駆動型オンラインソリューションを構築するための新しい手法を提案する。
導入されたフレームワークは、パラメータ化された制御依存のあいまいさセットを通じて、分散システムの不確実性の同時学習を可能にする。
また、Nesterovの高速化段階アルゴリズムのオンライン版を導入し、その性能を分析して、分散性理論を用いてこの問題のクラスを解く。
論文 参考訳(メタデータ) (2021-02-18T01:49:06Z) - 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) - The Risks of Invariant Risk Minimization [52.7137956951533]
不変リスク最小化(Invariant Risk Minimization)は、データの深い不変性を学ぶという考え方に基づく目標である。
我々は、IRMの目的に基づく分類の最初の分析と、最近提案されたこれらの代替案について、かなり自然で一般的なモデルで分析する。
IRMは、テストデータがトレーニング分布と十分に類似していない限り、破滅的に失敗する可能性がある。
論文 参考訳(メタデータ) (2020-10-12T14:54:32Z)
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。