Fugu-MT 論文翻訳(概要): Estimate Epidemiological Parameters given Partial Observations based on Algebraically Observable PINNs

論文の概要: Estimate Epidemiological Parameters given Partial Observations based on Algebraically Observable PINNs

arxiv url: http://arxiv.org/abs/2407.12598v1
Date: Wed, 17 Jul 2024 14:22:12 GMT
ステータス: 処理完了
システム内更新日: 2024-07-18 16:56:39.795749
Title: Estimate Epidemiological Parameters given Partial Observations based on Algebraically Observable PINNs
Title（参考訳）: 代数的観測可能なPINNを用いた部分観察による疫学パラメータの推定
Authors: Mizuka Komatsu,
Abstract要約: 実際には、流行モデルによって推定される人口に対応する全ての軌跡データを得ることはできない。我々は、未知の疫学パラメータを推定するために、代数的可観測性の概念をPINNに導入する。推定パラメータと未観測変数の予測の観点から,代数的に観測可能なPINNとして命名されたPINNの有効性を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this study, we considered the problem of estimating epidemiological parameters based on physics-informed neural networks (PINNs). In practice, not all trajectory data corresponding to the population estimated by epidemic models can be obtained, and some observed trajectories are noisy. Learning PINNs to estimate unknown epidemiological parameters using such partial observations is challenging. Accordingly, we introduce the concept of algebraic observability into PINNs. The validity of the proposed PINN, named as an algebraically observable PINNs, in terms of estimation parameters and prediction of unobserved variables, is demonstrated through numerical experiments.
Abstract（参考訳）: 本研究では,物理インフォームドニューラルネットワーク(PINN)に基づく疫学パラメータ推定の問題を検討した。実際には、流行モデルによって推定される人口に対応する全ての軌跡データを得ることができず、観測された軌跡はうるさい。このような部分的な観察から未知の疫学パラメータを推定するPINNの学習は困難である。そこで本研究では,代数的可観測性の概念をPINNに導入する。数値実験により,予測パラメータと未観測変数の予測の観点から代数的に観測可能なPINNと命名されたPINNの有効性が示された。

関連論文リスト

Conformalized Physics-Informed Neural Networks [0.8437187555622164]
本稿では,C-PINN(Conformalized PINN)を導入し,PINNの不確実性を定量化する。 C-PINNは、共形予測の枠組みを利用して、PINNの不確実性を定量化する。
論文参考訳（メタデータ） (2024-05-13T18:45:25Z)
Preconditioning for Physics-Informed Neural Networks [25.697465351286564]
PINNの病態を診断・緩和するための指標として条件数を用いることを提案する。我々は,条件数がPINNの誤差制御と収束の両方にどのように関係しているかを明らかにするための定理を証明した。条件数を改善するためにプレコンディショニングを利用するアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-02-01T11:58:28Z)
Correcting model misspecification in physics-informed neural networks (PINNs) [2.07180164747172]
本稿では,制御方程式の発見のために,PINNにおいて不特定な物理モデルを修正するための一般的な手法を提案する。我々は、不完全モデルと観測データとの差をモデル化するために、他のディープニューラルネットワーク(DNN)を使用します。提案手法は, 物理化学的, 生物学的プロセスがよく理解されていない問題における支配方程式の発見に, PINNの応用を拡大すると考えられる。
論文参考訳（メタデータ） (2023-10-16T19:25:52Z)
Learning Low Dimensional State Spaces with Overparameterized Recurrent Neural Nets [57.06026574261203]
我々は、長期記憶をモデル化できる低次元状態空間を学習するための理論的証拠を提供する。実験は、線形RNNと非線形RNNの両方で低次元状態空間を学習することで、我々の理論を裏付けるものである。
論文参考訳（メタデータ） (2022-10-25T14:45:15Z)
Combining data assimilation and machine learning to estimate parameters of a convective-scale model [0.0]
対流を許容する数値気象予測モデルにおける雲の表現の誤差は、異なる情報源によって導入することができる。本研究では,2種類のニューラルネットワークをトレーニングすることにより,人工知能レンズによるパラメータ推定の問題を検討する。
論文参考訳（メタデータ） (2021-09-07T09:17:29Z)
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)
Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-08T14:29:07Z)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)
Probabilistic Numeric Convolutional Neural Networks [80.42120128330411]
画像や時系列などの連続的な入力信号は、不規則にサンプリングされたり、値が欠けていたりすることは、既存のディープラーニング手法では困難である。ガウス過程(GP)として特徴を表す確率的畳み込みニューラルネットワークを提案する。次に、畳み込み層を、このGP上で定義されたPDEの進化として定義し、次いで非線形性とする。実験では,SuperPixel-MNISTデータセットの先行技術と医療時間2012データセットの競合性能から,提案手法の誤差を3倍に削減できることが示されている。
論文参考訳（メタデータ） (2020-10-21T10:08:21Z)
Estimates on the generalization error of Physics Informed Neural Networks (PINNs) for approximating a class of inverse problems for PDEs [16.758334184623152]
我々は、逆問題、いわゆるデータ同化やユニークな継続問題に焦点をあてる。 PINNがそれらを近似する際の一般化誤差について厳密な推定値を示す。
論文参考訳（メタデータ） (2020-06-29T16:23:58Z)
A Robust Functional EM Algorithm for Incomplete Panel Count Data [66.07942227228014]
完全無作為な仮定(MCAR)の下での数え上げ過程の平均関数を推定する機能的EMアルゴリズムを提案する。提案アルゴリズムは、いくつかの一般的なパネル数推定手法をラップし、不完全数にシームレスに対処し、ポアソン過程の仮定の誤特定に頑健である。本稿では, 数値実験による提案アルゴリズムの有用性と喫煙停止データの解析について述べる。
論文参考訳（メタデータ） (2020-03-02T20:04:38Z)

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。