論文の概要: Epidemiological Model Calibration via Graybox Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2412.07193v1
• Date: Tue, 10 Dec 2024 05:04:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:39:10.834099
• Title: Epidemiological Model Calibration via Graybox Bayesian Optimization
• Title（参考訳）: グレイボックスベイズ最適化による疫学モデル校正
• Authors: Puhua Niu, Byung-Jun Yoon, Xiaoning Qian,
• Abstract要約: 実験により,提案したBOスキームのグレーボックス変種は,計算コストの高いモデルを効率的にキャリブレーション可能であることが示された。 より複雑な疫学モデルの迅速な校正を可能にするために,提案手法を拡張できることを期待する。
• 参考スコア（独自算出の注目度）: 13.298472586395276
• License:
• Abstract: In this study, we focus on developing efficient calibration methods via Bayesian decision-making for the family of compartmental epidemiological models. The existing calibration methods usually assume that the compartmental model is cheap in terms of its output and gradient evaluation, which may not hold in practice when extending them to more general settings. Therefore, we introduce model calibration methods based on a "graybox" Bayesian optimization (BO) scheme, more efficient calibration for general epidemiological models. This approach uses Gaussian processes as a surrogate to the expensive model, and leverages the functional structure of the compartmental model to enhance calibration performance. Additionally, we develop model calibration methods via a decoupled decision-making strategy for BO, which further exploits the decomposable nature of the functional structure. The calibration efficiencies of the multiple proposed schemes are evaluated based on various data generated by a compartmental model mimicking real-world epidemic processes, and real-world COVID-19 datasets. Experimental results demonstrate that our proposed graybox variants of BO schemes can efficiently calibrate computationally expensive models and further improve the calibration performance measured by the logarithm of mean square errors and achieve faster performance convergence in terms of BO iterations. We anticipate that the proposed calibration methods can be extended to enable fast calibration of more complex epidemiological models, such as the agent-based models.
• Abstract（参考訳）: 本研究では, コンパートメント疫学モデル群を対象としたベイズ決定による効率的な校正手法の開発に焦点をあてる。 既存のキャリブレーション法は通常、コンパートメンタルモデルは出力と勾配評価の点で安価であると仮定する。 そこで我々は、一般的な疫学モデルに対するより効率的なキャリブレーションである「グレーボックス」ベイズ最適化(BO)方式に基づくモデルキャリブレーション手法を提案する。 このアプローチはガウス過程を高価なモデルの代用として利用し、区画モデルの関数構造を利用して校正性能を向上させる。 さらに,BOの分離決定戦略を用いてモデルキャリブレーション手法を開発し,機能構造の分解性をさらに活用する。 複数の提案手法の校正効率は、現実の流行過程を模倣する区画モデルと現実のCOVID-19データセットによって生成された様々なデータに基づいて評価される。 実験により,提案したBOスキームのグレーボックス変種は,計算コストの高いモデルを効率的に校正し,平均二乗誤差の対数で測定した校正性能を向上し,BOイテレーションの点からより高速な性能収束を実現することができることを示した。 エージェントベースモデルなど,より複雑な疫学モデルの迅速な校正を可能にするために,提案手法を拡張できることを期待する。

関連論文リスト

• Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
  本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。 推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。 我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
  論文  参考訳（メタデータ） (2024-11-02T07:06:53Z)
• Achieving Well-Informed Decision-Making in Drug Discovery: A Comprehensive Calibration Study using Neural Network-Based Structure-Activity Models [4.619907534483781]
  薬物と標的の相互作用を予測する計算モデルは、新しい治療薬の開発を加速するための貴重なツールである。 しかし、そのようなモデルはキャリブレーションが不十分であり、信頼性の低い不確実性推定をもたらす。 本研究では,ポストホックキャリブレーション法と不確実な定量化手法を組み合わせることで,モデルの精度とキャリブレーションを向上できることを示す。
  論文  参考訳（メタデータ） (2024-07-19T10:29:00Z)
• On the calibration of compartmental epidemiological models [4.2456818663079865]
  本稿では,いくつかの最適化手法や強化学習など,適用可能な校正戦略の概要について述べる。 提案手法の利点と欠点を考察し,本実験の実践的結論を明らかにする。 異なる疫学的文脈におけるこれらのアプローチの有効性と拡張性を検証するためには、さらなる研究が必要である。
  論文  参考訳（メタデータ） (2023-12-09T03:57:06Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• On the role of Model Uncertainties in Bayesian Optimization [8.659630453400593]
  本稿では,BO性能(regret)と一般的なサロゲートモデルの不確実性校正の関係について検討する。 本研究は, 校正誤差と後悔の関連性を示すが, 興味深いことに, 解析におけるモデルの種類を制御した場合に, この関連は消失する。
  論文  参考訳（メタデータ） (2023-01-14T21:45:17Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
  予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。 実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T02:12:34Z)
• Modular Conformal Calibration [80.33410096908872]
  回帰における再校正のためのアルゴリズムを多種多様なクラスで導入する。 このフレームワークは、任意の回帰モデルをキャリブレーションされた確率モデルに変換することを可能にする。 我々は17の回帰データセットに対するMCCの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-06-23T03:25:23Z)
• Heterogeneous Calibration: A post-hoc model-agnostic framework for improved generalization [8.815439276597818]
  モデル出力にポストホックモデル非依存変換を適用した不均一キャリブレーションの概念を導入し、二項分類タスクにおけるAUC性能を改善する。 単純なパターンを特徴空間の不均一なパーティションと呼び、各パーティションの完全校正がAUCを個別に最適化することを理論的に示す。 このフレームワークの理論的最適性はどんなモデルにも当てはまるが、ディープニューラルネットワーク(DNN)に注目し、このパラダイムの最も単純なインスタンス化をさまざまなオープンソースデータセットでテストする。
  論文  参考訳（メタデータ） (2022-02-10T05:08:50Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)

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。