Dynamics-informed deconvolutional neural networks for super-resolution identification of regime changes in epidemiological time series

要約

疫学的システムにおける摂動のタイミングと振幅を、確率的に拡散した低解像度の結果から推測することは、困難であると同時に関連性があります。
分析を進めるために摂動の詳細を知る必要性を克服することは、現在のアプローチの要件です。
ただし、疫学的曲線を根底にある発生率と結び付けるという一般的な問題には、超解像やコンピューター ビジョンからのぼやけ除去など、他の逆の問題に見られる非常に効果的な方法論が欠けています。
ここでは、教師なしの物理学に基づいた畳み込みニューラル ネットワーク アプローチを逆に開発して、死亡記録を発生率と結び付け、1 日単位の分解能で体制変化を識別できるようにします。
このアプローチは、適切な正則化とモデル選択基準を使用して COVID-19 データに適用され、年間 0.93 日の精度でロックダウンやその他の非医薬品介入の実施と削除を特定できます。

要約(オリジナル)

Inferring the timing and amplitude of perturbations in epidemiological systems from their stochastically spread low-resolution outcomes is as relevant as challenging. It is a requirement for current approaches to overcome the need to know the details of the perturbations to proceed with the analyses. However, the general problem of connecting epidemiological curves with the underlying incidence lacks the highly effective methodology present in other inverse problems, such as super-resolution and dehazing from computer vision. Here, we develop an unsupervised physics-informed convolutional neural network approach in reverse to connect death records with incidence that allows the identification of regime changes at single-day resolution. Applied to COVID-19 data with proper regularization and model-selection criteria, the approach can identify the implementation and removal of lockdowns and other nonpharmaceutical interventions with 0.93-day accuracy over the time span of a year.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google