論文の概要: Modeling, Inference, and Prediction in Mobility-Based Compartmental Models for Epidemiology

• arxiv url: http://arxiv.org/abs/2406.12002v1
• Date: Mon, 17 Jun 2024 18:13:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-20 00:16:57.270562
• Title: Modeling, Inference, and Prediction in Mobility-Based Compartmental Models for Epidemiology
• Title（参考訳）: 疫学のモビリティに基づく比較モデルにおけるモデリング・推論・予測
• Authors: Ning Jiang, Weiqi Chu, Yao Li,
• Abstract要約: 本稿では、従来のODEシステムを積分微分方程式系に変換する、移動変数による不均一性を取り入れた新しいアプローチを提案する。 以上の結果から,従来のコンパートメンタルモデルと比較して,移動型モデルでは最終パンデミックの規模が小さいことが示唆された。 我々は,この分布を機械学習ベースのフレームワークを用いて再構築し,実世界のデータによる移動性に基づくモデルを効果的に制約する理論的およびアルゴリズム的サポートを提供する。
• 参考スコア（独自算出の注目度）: 5.079807662054658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classical compartmental models in epidemiology often struggle to accurately capture real-world dynamics due to their inability to address the inherent heterogeneity of populations. In this paper, we introduce a novel approach that incorporates heterogeneity through a mobility variable, transforming the traditional ODE system into a system of integro-differential equations that describe the dynamics of population densities across different compartments. Our results show that, for the same basic reproduction number, our mobility-based model predicts a smaller final pandemic size compared to classic compartmental models, whose population densities are represented as Dirac delta functions in our density-based framework. This addresses the overestimation issue common in many classical models. Additionally, we demonstrate that the time series of the infected population is sufficient to uniquely identify the mobility distribution. We reconstruct this distribution using a machine-learning-based framework, providing both theoretical and algorithmic support to effectively constrain the mobility-based model with real-world data.
• Abstract（参考訳）: 疫学における古典的な区画モデルは、人口の固有の異質性に対処できないために、現実世界のダイナミクスを正確に捉えるのに苦労することが多い。 本稿では,移動変数による不均一性を取り入れた新しい手法を導入し,従来のODE系を,異なる区画にまたがる人口密度の動態を記述する積分微分方程式系に変換する。 以上の結果から, 人口密度がディラックデルタ関数として表現される古典的コンパートメントモデルと比較して, 移動量に基づくモデルでは, 最終パンデミックサイズが小さいことが示唆された。 これは、多くの古典的モデルに共通する過大評価問題に対処する。 さらに,感染集団の時系列は,移動分布を一意に同定するのに十分であることを示した。 我々は,この分布を機械学習ベースのフレームワークを用いて再構築し,実世界のデータによる移動性に基づくモデルを効果的に制約する理論的およびアルゴリズム的サポートを提供する。

関連論文リスト

• Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
  自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。 特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。 本稿では,これらのベクトル場をワッサーシュタイン多様体上で積分するメタフローマッチング(Meta Flow Matching, MFM)を提案する。
  論文  参考訳（メタデータ） (2024-08-26T20:05:31Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• SPADE4: Sparsity and Delay Embedding based Forecasting of Epidemics [2.578242050187029]
  流行予測のためのSPADE4(Sprsity and Delay Embedding based Forecasting)を提案する。 本手法は,シミュレーションデータと実データの両方に適用した場合,コンパートメンタルモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-11T23:39:48Z)
• A fairness assessment of mobility-based COVID-19 case prediction models [0.0]
  予測モデルのトレーニングに使用されるモビリティデータのバイアスが、特定の人口集団に対して不当に精度の低い予測に繋がる可能性があるという仮説を検証した。 特に、モデルは大きく、高度に教育され、富裕な若者、都市、非黒人が支配する郡を好む傾向にある。
  論文  参考訳（メタデータ） (2022-10-08T03:43:51Z)
• Unifying Epidemic Models with Mixtures [28.771032745045428]
  新型コロナウイルスのパンデミックは、感染モデルに対する強固な理解の必要性を強調している。 本稿では2つのアプローチをブリッジする単純な混合モデルを提案する。 モデルは非機械的であるが、ネットワーク化されたSIRフレームワークに基づくプロセスの自然な結果として現れることを示す。
  論文  参考訳（メタデータ） (2022-01-07T19:42:05Z)
• Multi-scale simulation of COVID-19 epidemics [0.0]
  新型コロナウイルスの感染拡大が始まってから1年以上が経過している。 今後数週間にわたって広がる未来と、潜在的な政治的介入の影響を正確に予測することは難しい」と述べた。 現在の流行モデルは主に2つのアプローチに該当する: 分割モデル、人口を疫学クラスに分け、微分方程式の数学的解決に依存する。
  論文  参考訳（メタデータ） (2021-12-02T12:34:11Z)
• 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)
• Combining Graph Neural Networks and Spatio-temporal Disease Models to Predict COVID-19 Cases in Germany [0.0]
  いくつかの専門家は、新型コロナウイルスの拡散を説明するために人間の移動性を考慮する必要性を求めた。 ほとんどの統計モデルや疫学モデルでは、人間の移動性を符号化するデータを含む非構造化データソースを直接組み込むことはできない。 本稿では,両研究方向のトレードオフを提案し,統計回帰モデルと機械学習モデルの利点を組み合わせた新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-03T16:39:00Z)
• 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)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。