Fugu-MT 論文翻訳(概要): Neural parameter calibration and uncertainty quantification for epidemic forecasting

論文の概要: Neural parameter calibration and uncertainty quantification for epidemic forecasting

arxiv url: http://arxiv.org/abs/2312.03147v1
Date: Tue, 5 Dec 2023 21:34:59 GMT
ステータス: 処理完了
システム内更新日: 2023-12-07 16:38:05.561396
Title: Neural parameter calibration and uncertainty quantification for epidemic forecasting
Title（参考訳）: 流行予測のための神経パラメータ校正と不確実性定量化
Authors: Thomas Gaskin, Tim Conrad, Grigorios A. Pavliotis, Christof Sch\"utte
Abstract要約: 感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The recent COVID-19 pandemic has thrown the importance of accurately forecasting contagion dynamics and learning infection parameters into sharp focus. At the same time, effective policy-making requires knowledge of the uncertainty on such predictions, in order, for instance, to be able to ready hospitals and intensive care units for a worst-case scenario without needlessly wasting resources. In this work, we apply a novel and powerful computational method to the problem of learning probability densities on contagion parameters and providing uncertainty quantification for pandemic projections. Using a neural network, we calibrate an ODE model to data of the spread of COVID-19 in Berlin in 2020, achieving both a significantly more accurate calibration and prediction than Markov-Chain Monte Carlo (MCMC)-based sampling schemes. The uncertainties on our predictions provide meaningful confidence intervals e.g. on infection figures and hospitalisation rates, while training and running the neural scheme takes minutes where MCMC takes hours. We show convergence of our method to the true posterior on a simplified SIR model of epidemics, and also demonstrate our method's learning capabilities on a reduced dataset, where a complex model is learned from a small number of compartments for which data is available.
Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、感染のダイナミクスを正確に予測し、感染パラメータを学習することが重要視されている。同時に、効果的な政策作成には、例えば病院や集中治療室が必要以上に無駄なリソースを浪費することなく最悪のシナリオに備えられるように、このような予測の不確実性に関する知識が必要である。本研究では,感染パラメータの確率密度を学習し,パンデミック予測に不確実性量を与える問題に対して,新しい強力な計算手法を適用する。ニューラルネットワークを用いて、2020年のベルリンにおけるCOVID-19の拡散に関するデータにODEモデルをキャリブレーションし、マルコフ・チェインモンテカルロ(MCMC)ベースのサンプリング手法よりもはるかに正確なキャリブレーションと予測を達成する。我々の予測の不確実性は、感染数や入院率などの有意義な信頼区間を提供し、一方、神経スキームの訓練と実行には、MCMCが数時間かかる数分を要する。本研究では,本手法を簡易化したSIRモデルにおいて真の後方への収束性を示すとともに,データの利用可能な少数のコンパートメントから複雑なモデルを学習する縮小データセット上で,本手法の学習能力を実証する。

関連論文リスト

SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-07-24T04:47:36Z)
Achieving Well-Informed Decision-Making in Drug Discovery: A Comprehensive Calibration Study using Neural Network-Based Structure-Activity Models [4.619907534483781]
薬物と標的の相互作用を予測する計算モデルは、新しい治療薬の開発を加速するための貴重なツールである。しかし、そのようなモデルはキャリブレーションが不十分であり、信頼性の低い不確実性推定をもたらす。本研究では,ポストホックキャリブレーション法と不確実な定量化手法を組み合わせることで,モデルの精度とキャリブレーションを向上できることを示す。
論文参考訳（メタデータ） (2024-07-19T10:29:00Z)
Hyper-Diffusion: Estimating Epistemic and Aleatoric Uncertainty with a Single Model [6.5990719141691825]
我々は、単一モデルで不確実性を正確に推定できる、アンサンブル、超拡散に対する新しいアプローチを導入する。我々は,X線CT(Computerd tomography)再構成と気象温度予測という,2つの異なる課題に対するアプローチを検証する。
論文参考訳（メタデータ） (2024-02-05T19:39:52Z)
Modeling and Predicting Epidemic Spread: A Gaussian Process Regression Approach [0.805635934199494]
本稿では,流行のモデル化と予測のためのガウス過程回帰に基づく新しい手法を提案する。本研究では、流行データの影響を定量化する予測のばらつきに縛られた新しい手法を開発する。流行の広がり、感染データ、予測地平線の長さが、この誤差にどのように影響するかを定量化する。
論文参考訳（メタデータ） (2023-12-14T22:45:01Z)
Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
論文参考訳（メタデータ） (2022-07-05T18:01:20Z)
When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文参考訳（メタデータ） (2021-06-07T18:31:47Z)
Comparative Analysis of Machine Learning Approaches to Analyze and Predict the Covid-19 Outbreak [10.307715136465056]
疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
論文参考訳（メタデータ） (2021-02-11T11:57:33Z)
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)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。