論文の概要: MP-PINN: A Multi-Phase Physics-Informed Neural Network for Epidemic Forecasting

• arxiv url: http://arxiv.org/abs/2411.06781v1
• Date: Mon, 11 Nov 2024 08:19:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:11:32.736356
• Title: MP-PINN: A Multi-Phase Physics-Informed Neural Network for Epidemic Forecasting
• Title（参考訳）: MP-PINN: エピデミック予測のための多相物理インフォームニューラルネットワーク
• Authors: Thang Nguyen, Dung Nguyen, Kha Pham, Truyen Tran,
• Abstract要約: 感染拡大などの時間的プロセスを予測するための新しいハイブリッド手法を提案する。 MP-PINNはこのメカニズムをニューラルネットワークに組み込むことで、時間の経過とともにフェーズを更新することが可能になる。 COVID-19波の実験では、MP-PINNは、短期および長期の予測において、純粋なデータ駆動またはモデル駆動のアプローチよりも優れたパフォーマンスを達成している。
• 参考スコア（独自算出の注目度）: 13.557791581149297
• License:
• Abstract: Forecasting temporal processes such as virus spreading in epidemics often requires more than just observed time-series data, especially at the beginning of a wave when data is limited. Traditional methods employ mechanistic models like the SIR family, which make strong assumptions about the underlying spreading process, often represented as a small set of compact differential equations. Data-driven methods such as deep neural networks make no such assumptions and can capture the generative process in more detail, but fail in long-term forecasting due to data limitations. We propose a new hybrid method called MP-PINN (Multi-Phase Physics-Informed Neural Network) to overcome the limitations of these two major approaches. MP-PINN instils the spreading mechanism into a neural network, enabling the mechanism to update in phases over time, reflecting the dynamics of the epidemics due to policy interventions. Experiments on COVID-19 waves demonstrate that MP-PINN achieves superior performance over pure data-driven or model-driven approaches for both short-term and long-term forecasting.
• Abstract（参考訳）: 流行に感染するウイルスなどの時間的過程の予測には、観測された時系列データ以上のものが必要であり、特にデータが制限された場合の波の開始時に必要となる。 従来の手法ではSIRファミリーのような力学モデルを採用しており、基礎となる拡散過程について強い仮定をしており、しばしばコンパクト微分方程式の小さな集合として表される。 ディープニューラルネットワークのようなデータ駆動型手法はそのような仮定をせず、生成プロセスをより詳細に捉えることができるが、データ制限のために長期的な予測では失敗する。 本稿では,MP-PINN(Multi-Phase Physics-Informed Neural Network)と呼ばれる新しいハイブリッド手法を提案する。 MP-PINNは、ニューラルネットワークへの拡散メカニズムを取り入れ、政策介入による流行のダイナミクスを反映して、時間の経過とともにフェーズを更新することを可能にする。 COVID-19波の実験では、MP-PINNは、短期および長期の予測において、純粋なデータ駆動またはモデル駆動のアプローチよりも優れたパフォーマンスを達成している。

関連論文リスト

• Parameter Estimation of Long Memory Stochastic Processes with Deep Neural Networks [0.0]
  時系列モデルの長いメモリパラメータを推定するために,純粋にディープなニューラルネットワークに基づくアプローチを提案する。 ハースト指数のようなパラメータは、プロセスの長距離依存、粗さ、自己相似性を特徴づけるのに重要である。
  論文  参考訳（メタデータ） (2024-10-03T03:14:58Z)
• Hybridization of Persistent Homology with Neural Networks for Time-Series Prediction: A Case Study in Wave Height [0.0]
  本稿では,ニューラルネットワークモデルの予測性能を向上させる機能工学手法を提案する。 具体的には、計算トポロジ手法を利用して、入力データから貴重なトポロジ的特徴を導出する。 タイムアヘッド予測では、FNN、RNN、LSTM、GRUモデルにおいて、R2$スコアの強化が重要だった。
  論文  参考訳（メタデータ） (2024-09-03T01:26:21Z)
• Enhanced Spatiotemporal Prediction Using Physical-guided And Frequency-enhanced Recurrent Neural Networks [17.91230192726962]
  本稿では,時空間力学を推定する物理誘導型ニューラルネットワークを提案する。 また、物理状態をより正確にモデル化するための物理制約付き適応二階ルンゲ・クッタ法を提案する。 我々のモデルは最先端の手法より優れ、より少ないパラメータ数でデータセットで最高の性能を発揮する。
  論文  参考訳（メタデータ） (2024-05-23T12:39:49Z)
• An LSTM-Based Predictive Monitoring Method for Data with Time-varying Variability [3.5246670856011035]
  本稿では、繰り返し発生するニューラルネットワーク構造がプロセスを監視する能力について考察する。 本研究では,長期短期記憶(LSTM)予測間隔に基づく時間変動データに対する制御チャートを提案する。 提案手法は時系列センサデータにも適用され,本手法が異常検出に有効な手法であることを確認した。
  論文  参考訳（メタデータ） (2023-09-05T06:13:09Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
  本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。 提案手法は,財務時系列のバイモーダル特性を考慮したものである。 我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
  論文  参考訳（メタデータ） (2021-09-01T07:52:03Z)
• 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)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
  本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。 過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。 このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
  論文  参考訳（メタデータ） (2020-08-17T23:39:33Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。