論文の概要: Advancing calibration for stochastic agent-based models in epidemiology with Stein variational inference and Gaussian process surrogates

• arxiv url: http://arxiv.org/abs/2502.19550v1
• Date: Wed, 26 Feb 2025 20:43:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:59:05.012500
• Title: Advancing calibration for stochastic agent-based models in epidemiology with Stein variational inference and Gaussian process surrogates
• Title（参考訳）: スタイン変量推論とガウス過程シュロゲートを用いた疫学における確率的エージェントベースモデルのキャリブレーションの促進
• Authors: Connor Robertson, Cosmin Safta, Nicholson Collier, Jonathan Ozik, Jaideep Ray,
• Abstract要約: 疫学におけるエージェントベースモデル(ABM)の正確な校正は、公衆衛生政策の決定や介入に役立てるために重要である。 伝統的な校正法、例えばマルコフ・チェイン・モンテカルロ(MCMC)は、校正されるパラメータの確率密度関数を生成するが、しばしば計算コストがかかる。 本稿では,ガウス過程サロゲートを近似した疫学的ABMのキャリブレーション手法として,SVI(Stein Variational Inference)の有用性について検討する。
• 参考スコア（独自算出の注目度）: 1.4447019135112433
• License:
• Abstract: Accurate calibration of stochastic agent-based models (ABMs) in epidemiology is crucial to make them useful in public health policy decisions and interventions. Traditional calibration methods, e.g., Markov Chain Monte Carlo (MCMC), that yield a probability density function for the parameters being calibrated, are often computationally expensive. When applied to ABMs which are highly parametrized, the calibration process becomes computationally infeasible. This paper investigates the utility of Stein Variational Inference (SVI) as an alternative calibration technique for stochastic epidemiological ABMs approximated by Gaussian process (GP) surrogates. SVI leverages gradient information to iteratively update a set of particles in the space of parameters being calibrated, offering potential advantages in scalability and efficiency for high-dimensional ABMs. The ensemble of particles yields a joint probability density function for the parameters and serves as the calibration. We compare the performance of SVI and MCMC in calibrating CityCOVID, a stochastic epidemiological ABM, focusing on predictive accuracy and calibration effectiveness. Our results demonstrate that SVI maintains predictive accuracy and calibration effectiveness comparable to MCMC, making it a viable alternative for complex epidemiological models. We also present the practical challenges of using a gradient-based calibration such as SVI which include careful tuning of hyperparameters and monitoring of the particle dynamics.
• Abstract（参考訳）: 疫学における確率的エージェントベースモデル(ABM)の正確な校正は、公衆衛生政策決定や介入に役立てるために重要である。 伝統的な校正法、例えばマルコフ・チェイン・モンテカルロ(MCMC)は、校正されるパラメータの確率密度関数を生成するが、しばしば計算コストがかかる。 高度にパラメトリゼーションされたABMに適用すると、キャリブレーションプロセスは計算不能になる。 本稿では,ガウス過程 (GP) シュロゲートを近似した確率的疫学 ABM のキャリブレーション手法として, スタイン変分推論 (SVI) の有用性について検討する。 SVIは勾配情報を利用してパラメータの空間内の粒子の集合を反復的に更新し、高次元AMMのスケーラビリティと効率性の潜在的な利点を提供する。 粒子のアンサンブルはパラメータの結合確率密度関数を生成し、キャリブレーションとして機能する。 確率的疫学ABMであるCityCOVIDの校正におけるSVIとMCMCの性能を比較し,予測精度と校正効率に着目した。 以上の結果から,SVIはMCMCに匹敵する予測精度とキャリブレーションを保ち,複雑な疫学モデルの代替となる可能性が示唆された。 また,過度パラメータの注意的チューニングや粒子動力学のモニタリングを含む,SVIのような勾配に基づくキャリブレーションを用いるための実践的課題も提示する。

関連論文リスト

• Epidemiological Model Calibration via Graybox Bayesian Optimization [13.298472586395276]
  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。
  論文  参考訳（メタデータ） (2024-12-10T05:04:52Z)
• 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)
• Bayesian calibration of stochastic agent based model via random forest [1.4447019135112433]
  エージェントベースモデル(ABM)は、疫学におけるアウトブレイクと介入をモデル化するための優れたフレームワークを提供する。 これらのモデルは通常、高度にパラメータ化されており、予測性能の正確な校正が必要である。 本稿では,ABMの評価を高速化するために,ランダム森林を用いた代理モデリング手法を提案する。
  論文  参考訳（メタデータ） (2024-06-27T20:50:06Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• 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)
• Scalable Stochastic Parametric Verification with Stochastic Variational Smoothed Model Checking [1.5293427903448025]
  平滑モデル検査 (smMC) は, パラメータ空間全体の満足度関数を, 限られた観測値から推定することを目的としている。 本稿では,確率論的機械学習の最近の進歩を利用して,この限界を推し進める。 構成された満足度関数のスケーラビリティ,計算効率,精度を調べた結果,smMCとSV-smMCの性能を比較した。
  論文  参考訳（メタデータ） (2022-05-11T10:43:23Z)
• Parameterized Temperature Scaling for Boosting the Expressive Power in Post-Hoc Uncertainty Calibration [57.568461777747515]
  我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。 最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。 当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2021-02-24T10:18:30Z)
• 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)
• Unsupervised Calibration under Covariate Shift [92.02278658443166]
  ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。 実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
  論文  参考訳（メタデータ） (2020-06-29T21:50:07Z)
• Improving Sampling Accuracy of Stochastic Gradient MCMC Methods via Non-uniform Subsampling of Gradients [54.90670513852325]
  サンプリング精度を向上させるための一様でないサブサンプリング手法を提案する。 EWSGは、一様勾配MCMC法がバッチ勾配MCMC法の統計的挙動を模倣するように設計されている。 EWSGの実践的な実装では、データインデックス上のMetropolis-Hastingsチェーンを介して、一様でないサブサンプリングを効率的に行う。
  論文  参考訳（メタデータ） (2020-02-20T18:56:18Z)

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。