論文の概要: Neural Posterior Estimation for Stochastic Epidemic Models Using Final Outcome Data

• arxiv url: http://arxiv.org/abs/2606.02874v1
• Date: Mon, 01 Jun 2026 20:40:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 10:57:21.706009
• Title: Neural Posterior Estimation for Stochastic Epidemic Models Using Final Outcome Data
• Title（参考訳）: 最終成果データを用いた確率的エピデミックモデルの神経後部推定
• Authors: Theodore Kypraios,
• Abstract要約: フィードフォワードニューラルネットワークによってパラメータ化されたlogNormal 後部近似は,様々な人口規模や送信体制で参照後部を正確に復元することを示す。 合成データセットと実際のアウトブレイクデータセットの両方のパフォーマンスは、一貫して強い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural posterior estimation (NPE) is a simulation-based approach to Bayesian inference that trains a neural network to approximate the posterior distribution from simulated parameter - data pairs, bypassing likelihood evaluation. We apply NPE -- to our knowledge for the first time -- to stochastic susceptible-infectious-removed (SIR) epidemic models observed through final outcome data, considering both homogeneously mixing and household-structured populations. Such data arise naturally in retrospective outbreak investigations and household transmission studies, yet inference is computationally challenging: data-augmentation Markov chain Monte Carlo (MCMC) can be slow to mix in large populations and difficult to implement, while Approximate Bayesian Computation (ABC) suffers from low acceptance rates, particularly for large populations or unlikely outcomes. The discrete, low-dimensional nature of such observations makes this setting particularly well suited to NPE. We show that a logNormal posterior approximation, parameterised by a feed-forward neural network, accurately recovers reference posteriors across a range of population sizes and transmission regimes, and extends naturally to joint inference on global and local transmission rates in the household model. Once trained, the network produces approximate posterior distributions in seconds and generalises reliably to population sizes and structures not seen during training. Performance on both synthetic and real outbreak datasets is consistently strong, with results in close agreement with published analyses.
• Abstract（参考訳）: ニューラル後推定(Neural posterior Estimation, NPE)は、シミュレーションに基づくベイズ推定のアプローチであり、シミュレーションパラメーター-データペアから後部分布を近似するようニューラルネットワークを訓練し、確率評価をバイパスする。 我々はNPEを、最終結果データから観察された確率的感染性除去(SIR)の流行モデルに適用し、同種混合と世帯構成の両集団を考慮に入れた。 データ増大型マルコフ連鎖モンテカルロ(MCMC)は、多くの集団で混在しにくく、実装が困難である一方、アポキシマ・ベイズ計算(ABC)は、特に大集団やありそうにない結果に対して低い受容率に悩まされている。 このような観測の離散的で低次元の性質は、この設定を特にNPEに適合させる。 そこで本研究では,マルチノード後部近似をフィードフォワードニューラルネットワークでパラメータ化し,人口規模や送信状況の異なる参照後部を正確に復元し,家庭モデルにおけるグローバルおよびローカルの送信率に関する共同推論に自然に拡張することを示す。 訓練後、ネットワークは数秒で近似した後部分布を生成し、トレーニング中に見えない個体数や構造を確実に一般化する。 合成データセットと実際のアウトブレイクデータセットの両方のパフォーマンスは一貫して強く、その結果は公開された分析と密接に一致している。

関連論文リスト

• Preconditioned Robust Neural Posterior Estimation for Misspecified Simulators [0.0]
  我々は,不特定条件下でのプレコンディショニングについて検討し,前条件付き頑健な神経後部推定を提案する。 本研究は, 安定度の高いNPEと組み合わせたプレコンディショニングにより, 標準ベースライン法よりも安定性が向上し, 精度, キャリブレーション, 後部予測適合性が向上することが実証された。
  論文  参考訳（メタデータ） (2026-02-20T05:32:35Z)
• A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models [0.0]
  後部分布フレームワークのニューラルネットワークに基づく近似を導入する。 我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。 20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
  論文  参考訳（メタデータ） (2025-07-14T18:31:19Z)
• A variational neural Bayes framework for inference on intractable posterior distributions [1.0801976288811024]
  トレーニングされたニューラルネットワークに観測データを供給することにより、モデルパラメータの後方分布を効率的に取得する。 理論的には、我々の後部はKulback-Leiblerの発散において真の後部に収束することを示す。
  論文  参考訳（メタデータ） (2024-04-16T20:40:15Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• Discrepancies in Epidemiological Modeling of Aggregated Heterogeneous Data [1.433758865948252]
  本研究では, 複雑なシステムに直面すると, 伝染率などの疫学パラメータを推定するための最先端モデルが不適切であることを示す。 複数の流行から発生した入射曲線を組み合わせることで、複雑な発生シナリオを3つ生成する。 このベイズ推定フレームワークにおける2つのデータ生成モデルを評価する。
  論文  参考訳（メタデータ） (2021-06-20T03:41:19Z)
• Rapid Risk Minimization with Bayesian Models Through Deep Learning Approximation [9.93116974480156]
  本稿では,ベイズモデル (BM) とニューラルネットワーク (NN) を組み合わせて,予測を最小限のリスクで行う手法を提案する。 私たちのアプローチは、BMのデータ効率と解釈可能性とNNの速度を組み合わせます。 テストデータセットに無視できる損失がある標準手法よりも、リスク最小限の予測をはるかに高速に達成する。
  論文  参考訳（メタデータ） (2021-03-29T15:08:25Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。