論文の概要: Simulation-based inference for rapid Bayesian parameter estimation in epidemiological models: a comparison with MCMC

• arxiv url: http://arxiv.org/abs/2606.27286v1
• Date: Thu, 25 Jun 2026 17:03:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.372339
• Title: Simulation-based inference for rapid Bayesian parameter estimation in epidemiological models: a comparison with MCMC
• Title（参考訳）: 疫学モデルにおける高速ベイズパラメータ推定のためのシミュレーションベース推論:MCMCとの比較
• Abstract要約: メカニスティックSECIR疫学モデルのベイズ校正のスケーラブルな代替手段として,神経後部推定を用いたシミュレーションベース推論(SBI)について検討した。 我々は,31日間の推測窓と201日間の再建問題を用いて,複数の流行期におけるSBIの比較を行った。 SBIは、ベイズによる疫学モデルのキャリブレーションを迅速かつ効率的に行うためのフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 0.17247022905226592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mechanistic epidemiological models are widely used to support infectious disease forecasting and public-health decision making. Bayesian calibration of such models is commonly performed using Markov chain Monte Carlo (MCMC), which can become computationally expensive for high-dimensional nonlinear systems and repeated near-real-time analyses. Here, we investigate simulation-based inference (SBI) using neural posterior estimation as a scalable alternative for Bayesian calibration of a mechanistic SECIR epidemiological model using COVID-19 intensive care unit (ICU) occupancy data from Germany during 2020. We compared SBI and MCMC across multiple epidemic phases using both 31-day inference windows and a substantially more challenging 201-day reconstruction problem involving multiple transmission change points. Posterior agreement was evaluated quantitatively using Wasserstein distances and Kullback-Leibler divergences together with posterior predictive checks. Across the 31-day windows, SBI recovered posterior distributions in strong agreement with MCMC while accurately reproducing observed ICU trajectories. In the 201-day setting, SBI preserved the dominant posterior structure despite increased uncertainty. SBI, by combining CPU and GPU resources, substantially reduced computational runtime compared with MCMC, which was restricted to running on CPUs. Whereas MCMC required approximately 1000 seconds for the 31-day inference problems, SBI achieved comparable posterior and predictive performance in approximately 60-70 seconds on a single GPU. For the 201-day inference problem, SBI required an average of 157 seconds, while the MCMC runs took over 19,000 seconds. Our results demonstrate that SBI provides a rapid and computationally efficient framework for Bayesian calibration of mechanistic epidemiological models, supporting repeated near-real-time inference and rapid outbreak analysis.
• Abstract（参考訳）: 機械的疫学モデルは、伝染病の予測と公衆衛生上の意思決定を支援するために広く利用されている。 このようなモデルのベイズ的キャリブレーションは、マルコフ連鎖モンテカルロ (MCMC) を用いて一般的に行われ、高次元非線形システムや準リアルタイム解析の繰り返しに計算コストがかかる。 本稿では,2020年のドイツにおけるICU(COVID-19 intensive care unit)占有データを用いた機械的SECIR疫学モデルのベイズ校正のスケーラブルな代替手段として,神経後部推定を用いたシミュレーションベース推論(SBI)について検討する。 我々は,SBIとMCMCを,31日間の推測窓と,複数の感染点を含む201日間の再建問題を用いて,複数の流行相で比較した。 Wasserstein 距離と Kullback-Leibler 差分と後方予測チェックを用いて後方一致を定量的に評価した。 31日間の窓を通して,SBIは観察されたICU軌跡を正確に再現しながら,MCMCと強く一致して後部分布を回復した。 201日間では,SBIは不確実性が増したにもかかわらず,支配的な後部構造を維持した。 SBIはCPUとGPUのリソースを組み合わせることで、CPU上で動作するMCMCに比べて計算ランタイムを大幅に削減した。 MCMCは31日間の推論問題に約1000秒を必要としたが、SBIは1つのGPUで約60-70秒で同等の後方および予測性能を達成した。 201日間の推論問題では、SBIは平均157秒、MCMCは19,000秒を要した。 以上の結果から,SBIは機械的疫学モデルのベイズ的キャリブレーションを迅速かつ効率的に行うためのフレームワークであり,反復的近リアルタイム推論と急激なアウトブレイク解析をサポートすることが示唆された。

関連論文リスト

• Heteroscedastic Neural Surrogate Modeling for Robust and Rapid Bayesian Inference in Fusion Plasma Diagnostics [1.1961510466705991]
  本稿では,高速かつ堅牢なMCMC推論のためのニューラルネットワークに基づく確率的サロゲートフレームワークを提案する。 提案手法では,予測物理放射スペクトルとチャネルワイド内在性測定ノイズ分散を同時に推定するために,デュアルヘッドアーキテクチャを用いる。 このサロゲートフレームワークは、正確な物理フォワードモデルよりも1500倍加速し、同時に推論誤差(RMSE)を標準ホモシダスティック神経ベースラインに比べて20%削減することを示した。
  論文  参考訳（メタデータ） (2026-08-19T18:45:56Z)
• Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning [50.948271066372826]
  本稿では,地域レベルの時間的監視データと空間的局所的な補助信号を統合する,空間的に構造化されたマルチモーダル流行予測設定を提案する。 我々は,現実的なリアルタイム評価プロトコルの下で,実際の新型コロナウイルス,インフルエンザ,インフルエンザ様疾患(IIL)の予測課題に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-06-20T17:58:17Z)
• Prospective multi-pathogen disease forecasting using autonomous LLM-guided tree search [2.1770088624284547]
  本稿では,実行可能な予測ソフトウェアを反復的に生成し,評価し,最適化する自律システムを提案する。 このシステムは、インフルエンザ、COVID-19、呼吸性シンチタールウイルス(RSV)の方法論的多様性を自律的に発見する。 CDC(Centers for Disease Control and Prevention, 疾病予防センター)のハブがアンサンブルをアンサンブルしている。
  論文  参考訳（メタデータ） (2026-05-15T17:45:17Z)
• Fast Bayesian equipment condition monitoring via simulation based inference: applications to heat exchanger health [39.61652266573024]
  熱交換器の複雑な故障モードを診断するために,アモータイズされた神経後部推定を利用したAI駆動型フレームワークを提案する。 このフレームワークをMCMCベースラインに対して,様々な合成ファウリングおよびリークシナリオでベンチマークする。 ニューラルネットワークの償却された性質は、ほぼ瞬時に推論を可能にし、高度にスケーラブルでリアルタイムな代替手段としてSBIを確立する。
  論文  参考訳（メタデータ） (2026-04-22T16:21:25Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Multitask LSTM for Arboviral Outbreak Prediction Using Public Health Data [0.0]
  本稿ではブラジル・レシフェにおけるアルボウイルスの発生とケースカウントの同時予測のためのマルチタスク学習手法を提案する。 提案モデルでは,バイナリ分類(アウトブレイク検出)と回帰(ケース予測)タスクを同時に実行する。 このアーキテクチャは、病気やタスク間での競合的なパフォーマンスを提供し、データ限定の公衆衛生シナリオにおけるスケーラブルな流行予測のための統合モデリング戦略の実現可能性とメリットを実証する。
  論文  参考訳（メタデータ） (2025-05-07T16:58:18Z)
• 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)
• Sparse high-dimensional linear mixed modeling with a partitioned empirical Bayes ECM algorithm [41.25603565852633]
  この研究は、高次元LMMに対する効率的かつ正確なベイズ的枠組みを示す。 このアプローチの斬新さは、パーティショニングとパラメータ拡張と、高速でスケーラブルな計算にある。 実世界の例では、小児のループスの研究データを用いて、新しいループスバイオマーカーに関連する遺伝子と臨床因子を特定し、時間とともにバイオマーカーを予測する。
  論文  参考訳（メタデータ） (2023-10-18T19:34:56Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Modeling the geospatial evolution of COVID-19 using spatio-temporal convolutional sequence-to-sequence neural networks [48.7576911714538]
  ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。 その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
  論文  参考訳（メタデータ） (2021-05-06T15:24:00Z)
• Fast Bayesian Estimation of Spatial Count Data Models [0.0]
  シミュレーション問題ではなく最適化問題として変分ベイズ(VB)を導入する。 VB法は、観測されていないパラメータと空間依存性を持つ負二項モデルにおける後部推論のために導出される。 VBアプローチは、シミュレーションと経験的研究において、通常の8コアプロセッサ上でのMCMCの約45倍から50倍高速である。
  論文  参考訳（メタデータ） (2020-07-07T10:24:45Z)

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。