論文の概要: A systematic comparison of physics-informed neural networks and mechanistic models for epidemic modeling and forecasting
- arxiv url: http://arxiv.org/abs/2611.18389v1
- Date: Fri, 13 Nov 2026 16:32:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.359618
- Title: A systematic comparison of physics-informed neural networks and mechanistic models for epidemic modeling and forecasting
- Title(参考訳): 疫病モデルと予測のための物理インフォームドニューラルネットワークと力学モデルの体系的比較
- Abstract要約: PINNは流行のモデル化や予測に応用され、有望な結果が得られた。
PINNを、確立された、よりシンプルな流行モデルと比較する。
われわれはPINNを疫学の有望なツールとして確認した。
- 参考スコア(独自算出の注目度): 6.668948219824852
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physics-Informed Neural Networks (PINNs) have recently been applied to epidemic modeling and forecasting with promising results. These methods integrate mechanistic knowledge with data-driven learning. Yet, their comparative performance against well-established, and simpler epidemic models is underexplored. Here, we conduct a systematic comparison of a PINN-based framework and a stochastic mechanistic model. Both approaches share the same age-structured SEIRD core and rolling-window forecasting pipeline, in a deliberately minimal setting. We evaluate their retrospective fits and probabilistic forecasts in two synthetic scenarios and the first COVID-19 wave in London. Interestingly, while PINNs underperform in synthetic scenarios, they achieve better performance on real data. Furthermore, PINNs provide narrower uncertainty intervals and sharper estimation of parameters in synthetic scenarios. Our findings confirm PINNs as a promising tool in epidemiology. At the same time, the results reaffirm the value of simpler approaches such as traditional compartmental models, and promote additional benchmarking studies.
- Abstract(参考訳): 物理インフォームドニューラルネットワーク(PINN)は近年,流行のモデル化と予測に有望な結果で応用されている。
これらの手法は、機械的知識とデータ駆動学習を統合する。
しかし、確立された、より単純な流行モデルに対する比較性能は、未発見である。
本稿では,PINNに基づくフレームワークと確率力学モデルの体系的比較を行う。
どちらのアプローチも、意図的に最小限の設定で、年齢構成のSEIRDコアとローリングウィンドウ予測パイプラインを共有する。
本研究は, 2つの合成シナリオと, ロンドンで最初の新型コロナウイルス波で, レトロスペクティブ適合度と確率予測を評価した。
興味深いことに、PINNは合成シナリオでは性能が低いが、実際のデータではパフォーマンスが向上する。
さらに、PINNは、より狭い不確かさ間隔と、合成シナリオにおけるパラメータのよりシャープな推定を提供する。
われわれはPINNを疫学の有望なツールとして確認した。
同時に、従来のコンパートメンタルモデルのようなより単純なアプローチの価値を再確認し、さらなるベンチマーク研究を促進する。
関連論文リスト
- A Koopman-PINN Framework for Epidemic Models: Parameter Inference and Forecasting [0.0]
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。
論文 参考訳(メタデータ) (2026-06-13T08:52:51Z) - Augmented data and neural networks for robust epidemic forecasting: application to COVID-19 in Italy [0.2676349883103403]
本稿では,ニューラルネットワークのトレーニングフェーズの改善を目的としたデータ拡張戦略を提案する。
提案手法は,不確実性の組み合わさった適切な構成モデルによる合成データの生成に依存している。
その結果、これらの拡張データセットに基づいてトレーニングされたニューラルネットワークは、予測性能を著しく改善していることがわかった。
論文 参考訳(メタデータ) (2025-10-10T09:35:38Z) - Counterfactual Probabilistic Diffusion with Expert Models [44.96279296893773]
本稿では,不完全な専門家モデルからのガイダンスを取り入れた時系列拡散に基づくフレームワークを提案する。
我々の方法であるODE-Diffは、機械的およびデータ駆動的なアプローチをブリッジし、より信頼性が高く解釈可能な因果推論を可能にする。
論文 参考訳(メタデータ) (2025-08-18T20:44:32Z) - 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) - CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳(メタデータ) (2024-05-03T15:54:50Z) - 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) - Efficient and Effective Time-Series Forecasting with Spiking Neural Networks [47.371024581669516]
スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。
SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。
本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-02T16:23:50Z) - A New PHO-rmula for Improved Performance of Semi-Structured Networks [0.0]
本研究では,SSNにおけるモデルコンポーネントのコントリビューションを適切に識別する手法が,最適ネットワーク推定に繋がることを示す。
モデルコンポーネントの識別性を保証し,予測品質を向上する非侵襲的ポストホック化(PHO)を提案する。
我々の理論的な知見は、数値実験、ベンチマーク比較、およびCOVID-19感染症に対する現実の応用によって裏付けられている。
論文 参考訳(メタデータ) (2023-06-01T10:23:28Z) - Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution
Detection [55.028065567756066]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。
本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。
バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。
We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
論文 参考訳(メタデータ) (2022-06-26T16:00:22Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z)
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。