論文の概要: On the calibration of compartmental epidemiological models
- arxiv url: http://arxiv.org/abs/2312.05456v1
- Date: Sat, 9 Dec 2023 03:57:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 20:47:44.543587
- Title: On the calibration of compartmental epidemiological models
- Title（参考訳）: 分節疫学モデルの校正について
- Authors: Nikunj Gupta, Anh Mai, Azza Abouzied and Dennis Shasha
- Abstract要約: 本稿では,いくつかの最適化手法や強化学習など,適用可能な校正戦略の概要について述べる。
提案手法の利点と欠点を考察し,本実験の実践的結論を明らかにする。
異なる疫学的文脈におけるこれらのアプローチの有効性と拡張性を検証するためには、さらなる研究が必要である。
- 参考スコア（独自算出の注目度）: 4.2456818663079865
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Epidemiological compartmental models are useful for understanding infectious
disease propagation and directing public health policy decisions. Calibration
of these models is an important step in offering accurate forecasts of disease
dynamics and the effectiveness of interventions. In this study, we present an
overview of calibrating strategies that can be employed, including several
optimization methods and reinforcement learning (RL). We discuss the benefits
and drawbacks of these methods and highlight relevant practical conclusions
from our experiments. Optimization methods iteratively adjust the parameters of
the model until the model output matches the available data, whereas RL uses
trial and error to learn the optimal set of parameters by maximizing a reward
signal. Finally, we discuss how the calibration of parameters of
epidemiological compartmental models is an emerging field that has the
potential to improve the accuracy of disease modeling and public health
decision-making. Further research is needed to validate the effectiveness and
scalability of these approaches in different epidemiological contexts. All
codes and resources are available on
\url{https://github.com/Nikunj-Gupta/On-the-Calibration-of-Compartmental-Epidemiological-Models}.
We hope this work can facilitate related research.
- Abstract（参考訳）: 疫学的区分モデルは、伝染病の伝播を理解し、公衆衛生政策決定を指示するのに有用である。
これらのモデルのキャリブレーションは、疾患のダイナミクスと介入の有効性を正確に予測するための重要なステップである。
本研究では,いくつかの最適化手法と強化学習(RL)を含む,適用可能な校正戦略の概要について述べる。
提案手法の利点と欠点を考察し,本実験の実践的結論を明らかにする。
最適化手法はモデル出力が利用可能なデータと一致するまでモデルのパラメータを反復的に調整するが、RLは試行錯誤を用いて報酬信号の最大化によってパラメータの最適セットを学習する。
最後に,疫学的区画モデルのパラメータの校正が,疾患モデリングと公衆衛生意思決定の精度を向上させる可能性を持つ新興分野である可能性について論じる。
異なる疫学的文脈におけるこれらのアプローチの有効性と拡張性を検証するためには、さらなる研究が必要である。
すべてのコードとリソースは \url{https://github.com/Nikunj-Gupta/On-the-Calibration-of-compartmental-Epidemiological-Models} で利用可能である。
この研究が関連研究を促進できることを願っています。
関連論文リスト
- Assessing Reusability of Deep Learning-Based Monotherapy Drug Response Prediction Models Trained with Omics Data [43.57729817547386]
がん薬物応答予測モデルは、精度オンコロジーへの有望なアプローチを示す。
深層学習(DL)法はこの分野で大きな可能性を秘めている。
これは、より広い科学コミュニティによって改善され、テストされる、再利用可能で適応可能なモデルの必要性を強調している。
論文 参考訳（メタデータ） (2024-09-18T16:08:28Z) - Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。
本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
論文 参考訳（メタデータ） (2024-07-20T18:34:20Z) - 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) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳（メタデータ） (2020-12-24T05:19:03Z) - 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) - Accurate Calibration of Agent-based Epidemiological Models with Neural
Network Surrogates [33.88734751290751]
我々は,米国の各大都市圏を対象とした大規模なシミュレーションアンサンブルを用いて,エージェントベースのモデルであるEpiCastを校正する新しいアプローチを提案する。
特に、全ての異なる位置を同時にエミュレートできる新しいニューラルネットワークベースのサロゲートモデルと、全てのパラメータのより正確な後続推定を提供するだけでなく、領域間のグローバルパラメータの結合フィッティングを可能にする新しい後続推定を提案する。
論文 参考訳（メタデータ） (2020-10-13T17:19:30Z) - An Epidemiological Modelling Approach for Covid19 via Data Assimilation [18.837659009007705]
2019-nCovの世界的なパンデミックは、世界の隔離措置の将来の社会的・経済的コストを軽減するために、政策介入の評価を必要とする。
本稿では,変動データ同化による新しいデータをリアルタイムに組み込んだ予測・政策評価のための疫学モデルを提案する。
論文 参考訳（メタデータ） (2020-04-25T12:46:36Z)
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。