論文の概要: Modeling and Predicting Epidemic Spread: A Gaussian Process Regression Approach

• arxiv url: http://arxiv.org/abs/2312.09384v1
• Date: Thu, 14 Dec 2023 22:45:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-18 17:49:44.424053
• Title: Modeling and Predicting Epidemic Spread: A Gaussian Process Regression Approach
• Title（参考訳）: エピデミック・スプレッドのモデル化と予測:ガウス的プロセス回帰アプローチ
• Authors: Baike She, Lei Xin, Philip E. Par\'e, Matthew Hale
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.805635934199494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling and prediction of epidemic spread are critical to assist in policy-making for mitigation. Therefore, we present a new method based on Gaussian Process Regression to model and predict epidemics, and it quantifies prediction confidence through variance and high probability error bounds. Gaussian Process Regression excels in using small datasets and providing uncertainty bounds, and both of these properties are critical in modeling and predicting epidemic spreading processes with limited data. However, the derivation of formal uncertainty bounds remains lacking when using Gaussian Process Regression in the setting of epidemics, which limits its usefulness in guiding mitigation efforts. Therefore, in this work, we develop a novel bound on the variance of the prediction that quantifies the impact of the epidemic data on the predictions we make. Further, we develop a high probability error bound on the prediction, and we quantify how the epidemic spread, the infection data, and the length of the prediction horizon all affect this error bound. We also show that the error stays below a certain threshold based on the length of the prediction horizon. To illustrate this framework, we leverage Gaussian Process Regression to model and predict COVID-19 using real-world infection data from the United Kingdom.
• Abstract（参考訳）: 流行拡大のモデル化と予測は、緩和のための政策立案を支援するために不可欠である。 そこで本研究では,流行をモデル化し予測するためのガウス過程回帰に基づく新しい手法を提案し,分散と高い確率誤差境界を通じて予測信頼度を定量化する。 Gaussian Process Regressionは、小さなデータセットを使用し、不確実なバウンダリを提供するのに優れており、これら2つの特性は、限られたデータで拡散するプロセスのモデリングと予測に重要である。 しかし、流行の舞台でガウス過程の回帰を用いる場合、形式的不確実性境界の導出が不足し、緩和努力の導出に有用性が制限される。 そこで本研究では,流行データによる予測への影響を定量化する予測のばらつきに着目する新しい手法を開発した。 さらに, 予測値に縛られる高い確率誤差を開発し, 流行の広がり, 感染データ, 予測水平線の長さが, この誤差にどのように影響するかを定量化する。 また,予測地平線の長さに基づいて誤差が一定のしきい値以下であることを示す。 この枠組みを説明するために、イギリスからの現実世界の感染データを用いて、ガウス過程の回帰を利用して新型コロナウイルスのモデル化と予測を行う。

関連論文リスト

• Neural parameter calibration and uncertainty quantification for epidemic forecasting [0.0]
  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。
  論文  参考訳（メタデータ） (2023-12-05T21:34:59Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)
• 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)
• Loss Estimators Improve Model Generalization [36.520569284970456]
  予測モデルと並行して損失推定器を訓練し,対照訓練目標を用いて予測の不確実性を直接推定する。 モデル一般化における損失推定器の影響を,その分布データに対する忠実度と,トレーニング中に見つからない分布サンプルや新しいクラスの検出能力の両方の観点から示す。
  論文  参考訳（メタデータ） (2021-03-05T16:35:10Z)
• 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)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• 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)
• 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)
• Learning to Predict Error for MRI Reconstruction [67.76632988696943]
  提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。 本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。