論文の概要: A Koopman-PINN Framework for Epidemic Models: Parameter Inference and Forecasting
- arxiv url: http://arxiv.org/abs/2606.15201v1
- Date: Sat, 13 Jun 2026 08:52:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.051851
- Title: A Koopman-PINN Framework for Epidemic Models: Parameter Inference and Forecasting
- Title（参考訳）: エピデミックモデルのためのKoopman-PINNフレームワーク:パラメータ推論と予測
- Authors: Achraf Zinihi, Matthias Ehrhardt, Moulay Rchid Sidi Ammi,
- Abstract要約: 非線形流行モデルにおけるパラメータ推論と予測のためのK-PINN(Koopman-enhanced Physics-informed Neural Network)フレームワークを提案する。
提案手法を正常化したSEIRSD流行モデルに適用し,SARS-CoV-2ウイルスの合成サルポックス(Mpox)データと,ドイツ,モロッコ,スウェーデンの実世界のデータセットを用いて評価した。
K-PINN は従来の PINN や Koopman-EDMD よりも正確なパラメータ推定,軌道再構成,長期予測を実現している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a Koopman-enhanced physics-informed neural network (K--PINN) framework for parameter inference and forecasting in nonlinear epidemic models. This method combines Koopman operator theory and physics-informed learning. It maps epidemic states into a latent observable space where the dynamics evolve approximately linearly while satisfying the governing epidemic equations through automatic differentiation. This integration improves interpretability, parameter identifiability, and long-term predictive stability. We apply the proposed framework to a normalized SEIRSD epidemic model and evaluate it using synthetic monkeypox (Mpox) data and real-world datasets from Germany, Morocco, and Sweden for the SARS-CoV-2 virus. Synthetic trajectories are generated using a structure-preserving, nonstandard finite difference scheme to ensure reliable training data. Numerical results demonstrate that K--PINN achieves more accurate parameter estimation, trajectory reconstruction, and long-term forecasting than classical PINNs and Koopman-EDMD approaches. These results suggest that K--PINN is an effective machine learning framework for epidemic modeling that can be extended to more complex systems.
- Abstract（参考訳）: 非線形流行モデルにおけるパラメータ推論と予測のためのK-PINN(Koopman-enhanced Physics-informed Neural Network)フレームワークを提案する。
この方法はクープマン作用素理論と物理インフォームドラーニングを組み合わせたものである。
これにより、流行状態は潜在可観測空間にマッピングされ、ダイナミックスはほぼ線形に進化し、自動微分によって支配的な流行方程式を満足する。
この統合は、解釈可能性、パラメータ識別可能性、長期予測安定性を改善する。
提案手法を正常化したSEIRSD流行モデルに適用し,SARS-CoV-2ウイルスの合成サルポックス(Mpox)データと,ドイツ,モロッコ,スウェーデンの実世界のデータセットを用いて評価した。
構造保存された非標準有限差分スキームを用いて合成軌跡を生成し、信頼性の高いトレーニングデータを保証する。
K-PINN は従来の PINN や Koopman-EDMD よりも正確なパラメータ推定,軌道再構成,長期予測を実現している。
これらの結果から,K-PINNはより複雑なシステムに拡張可能な,疫病モデルのための効果的な機械学習フレームワークであることが示唆された。
関連論文リスト
- Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。
LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文 参考訳（メタデータ） (2026-05-27T23:48:01Z) - Identifying Memory Effects in Epidemics via a Fractional SEIRD Model and Physics-Informed Neural Networks [0.0]
本研究では,数次SEIRD流行モデルにおけるパラメータ推定のための物理インフォームドニューラルネットワークフレームワークを開発した。
我々のフレームワークは、トレーニング可能なパラメータとして分のメモリオーダー$alpha$を学習し、同時に疫学レート$(beta, sigma, gamma, mu)$を推定する。
合成Mpoxデータを用いたテストでは, ノイズ下での$alpha$とパラメータの信頼性が確認された。一方, COVID-19への応用では, 最適な$alpha in (0, 1]$がメモリ効果を捉え, 従来のSEIRDモデルよりも予測性能を向上させることが示されている。
論文 参考訳（メタデータ） (2025-09-26T13:41:11Z) - Epidemic-guided deep learning for spatiotemporal forecasting of Tuberculosis outbreak [0.0]
本稿では,先進的な深層学習技術と機械的疫学の原則を融合させるEGDL手法を提案する。
我々のフレームワークは、飽和入射率とグラフラプラシア拡散を付加したネットワーク化された感受性-感染-回復モデル(MN-SIR)に基づいて構築されている。
全国47都道府県と中国本土31県で実施したTB頻度データから,本手法が堅牢かつ正確な予測を行うことを示す。
論文 参考訳（メタデータ） (2025-02-15T12:39:42Z) - Physics-informed deep learning for infectious disease forecasting [3.3618265137908527]
物理インフォームドニューラルネットワーク(PINN)に基づく新しい感染症予測モデルを提案する。
カリフォルニア州の国家レベルのCOVID-19データを用いて、PINNモデルがケース、死亡、入院を正確に予測していることを実証する。
論文 参考訳（メタデータ） (2025-01-16T05:07:05Z) - A model learning framework for inferring the dynamics of transmission rate depending on exogenous variables for epidemic forecasts [3.3385430106181184]
我々は,透過率の隠れたダイナミクスを再構築するために,新しい科学機械学習フレームワークを定式化した。
本手法は,2010年から2020年までのイタリアにおける気象データ(温度・湿度)とインフルエンザデータに基づいて,合成テストケースと現実テストケースの両方を用いて検証した。
論文 参考訳（メタデータ） (2024-10-15T12:24:55Z) - Neural parameter calibration and uncertainty quantification for epidemic
forecasting [0.0]
感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。
ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。
本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
論文 参考訳（メタデータ） (2023-12-05T21:34:59Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - 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) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳（メタデータ） (2020-10-28T10:58:59Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。