論文の概要: A new framework for calibrating COVID-19 SEIR models with
spatial-/time-varying coefficients using genetic and sliding window
algorithms
- arxiv url: http://arxiv.org/abs/2402.08524v1
- Date: Tue, 13 Feb 2024 15:27:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 14:51:48.664667
- Title: A new framework for calibrating COVID-19 SEIR models with
spatial-/time-varying coefficients using genetic and sliding window
algorithms
- Title（参考訳）: 遺伝的・スライディングウインドウアルゴリズムを用いた空間・時間変動係数を用いた新型COVID-19 SEIRモデルの校正フレームワーク
- Authors: Huan Zhou, Ralf Schneider, Sebastian Kl\"usener, Andreas Backhaus
- Abstract要約: サセプティブル感染除去モデル(SEIR)は、非薬剤的介入(NPI)がCOVID-19の流行の地域的および時間的分布に与える影響をモデル化するために、空間的・時間的に異なる係数を仮定する。
SEIRモデルの空間/時間変化パラメータを最適化するための新しい校正フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.4790171810678645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A susceptible-exposed-infected-removed (SEIR) model assumes
spatial-/time-varying coefficients to model the effect of non-pharmaceutical
interventions (NPIs) on the regional and temporal distribution of COVID-19
disease epidemics. A significant challenge in using such model is their fast
and accurate calibration to observed data from geo-referenced hospitalized
data, i.e., efficient estimation of the spatial-/time-varying parameters. In
this work, a new calibration framework is proposed towards optimizing the
spatial-/time-varying parameters of the SEIR model. We also devise a method for
combing the overlapping sliding window technique (OSW) with a genetic algorithm
(GA) calibration routine to automatically search the segmented parameter space.
Parallelized GA is used to reduce the computational burden. Our framework
abstracts the implementation complexity of the method away from the user. It
provides high-level APIs for setting up a customized calibration system and
consuming the optimized values of parameters. We evaluated the application of
our method on the calibration of a spatial age-structured microsimulation model
using a single objective function that comprises observed COVID-19-related ICU
demand. The results reflect the effectiveness of the proposed method towards
estimating the parameters in a changing environment.
- Abstract（参考訳）: サセプティブル感染除去モデル(SEIR)は、非薬剤的介入(NPI)がCOVID-19の流行の地域的および時間的分布に与える影響をモデル化するために、空間的・時間的に異なる係数を仮定する。
このようなモデルを使用する際の重要な課題は、地理的参照された入院データからの観測データに対する高速で正確な校正、すなわち空間・時間変動パラメータの効率的な推定である。
本研究では,SEIRモデルの空間/時間変化パラメータを最適化するための新しい校正フレームワークを提案する。
また、重なり合うスライディングウインドウ手法(OSW)と遺伝的アルゴリズム(GA)キャリブレーションルーチンを組み合わせ、セグメント化されたパラメータ空間を自動的に検索する手法も考案した。
並列化GAは計算負担を軽減するために使用される。
このフレームワークは、ユーザからメソッドの実装の複雑さを抽象化します。
カスタマイズされたキャリブレーションシステムを設定し、パラメータの最適化値を使用するための、ハイレベルなapiを提供する。
本手法の適用例を,COVID-19関連ICU需要を観測した単一目的関数を用いて,空間年齢構造マイクロシミュレーションモデルのキャリブレーションについて検討した。
提案手法の有効性を反映し, 変動環境におけるパラメータの推定を行った。
関連論文リスト
- Amortized Bayesian Local Interpolation NetworK: Fast covariance parameter estimation for Gaussian Processes [0.04660328753262073]
高速な共分散パラメータ推定のための補正ベイズ局所補間ネットWorKを提案する。
これらのネットワークの高速な予測時間により、行列の反転ステップをバイパスし、大きな計算スピードアップを発生させることができる。
拡張性のあるGP手法に比べて計算効率が大幅に向上することを示す。
論文 参考訳（メタデータ） (2024-11-10T01:26:16Z) - Hierarchical Features Matter: A Deep Exploration of GAN Priors for Improved Dataset Distillation [51.44054828384487]
階層的生成潜在蒸留(H-GLaD)と呼ばれる新しいパラメータ化法を提案する。
本手法はGAN内の階層層を系統的に探索する。
さらに,合成データセット評価に伴う計算負担を軽減するために,新しいクラス関連特徴距離尺度を導入する。
論文 参考訳（メタデータ） (2024-06-09T09:15:54Z) - History Matching for Geological Carbon Storage using Data-Space
Inversion with Spatio-Temporal Data Parameterization [0.0]
データ空間インバージョン(DSI)では、履歴にマッチした興味の量は、後続のジオモデルを構築することなく直接推測される。
これは、ベイズの設定内でのO(1000)事前シミュレーション結果、データパラメータ化、および後続サンプリングのセットを用いて効率よく達成される。
新たなパラメータ化では、次元縮小のための対向オートエンコーダ(AAE)と畳み込み長短期メモリ(convLSTM)ネットワークを使用して、圧力場と飽和場の空間分布と時間的進化を表す。
論文 参考訳（メタデータ） (2023-10-05T00:50:06Z) - A Metaheuristic for Amortized Search in High-Dimensional Parameter
Spaces [0.0]
本稿では,特徴インフォームド変換から次元還元を実現するメタヒューリスティックを提案する。
DR-FFITは、高次元空間における勾配自由パラメータ探索を容易にする効率的なサンプリング戦略を実装している。
実験データから,DR-FFITは,確立したメタヒューリスティックスに対するランダム検索とシミュレート・アニーリングの性能を向上させることが示された。
論文 参考訳（メタデータ） (2023-09-28T14:25:14Z) - Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。
本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。
我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
論文 参考訳（メタデータ） (2022-09-27T07:58:25Z) - Adaptive LASSO estimation for functional hidden dynamic geostatistical
model [69.10717733870575]
関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。
このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
論文 参考訳（メタデータ） (2022-08-10T19:17:45Z) - Generalised Latent Assimilation in Heterogeneous Reduced Spaces with
Machine Learning Surrogate Models [10.410970649045943]
我々は,低次サロゲートモデルと新しいデータ同化手法を組み合わせたシステムを開発した。
一般化された潜在同化は、低次モデリングによって提供される効率とデータ同化の精度の両方の恩恵を受けることができる。
論文 参考訳（メタデータ） (2022-04-07T15:13:12Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。
従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。
我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文 参考訳（メタデータ） (2020-11-02T18:02:26Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - High-dimensional Bayesian Optimization of Personalized Cardiac Model
Parameters via an Embedded Generative Model [7.286540513944084]
ベイズ最適化の目的関数に生成的変分オートエンコーダ(VAE)を組み込む新しい概念を提案する。
生成コードに関するVAE符号化された知識は、探索空間の探索を導くために使用される。
本発明の方法は、心臓電気生理学的モデルにおける組織興奮性の推定に応用される。
論文 参考訳（メタデータ） (2020-05-15T22:14:16Z)
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。