Seq2Seq Surrogates of Epidemic Models to Facilitate Bayesian Inference

要約

流行モデルは、感染症を理解するための強力なツールです。
ただし、サイズと複雑さが増すにつれて、すぐに計算処理が困難になる可能性があります。
モデリング手法の最近の進歩により、サロゲート モデルを使用して、高次元のパラメーター空間で複雑な流行モデルをエミュレートできることが示されました。
ディープ シーケンス ツー シーケンス (seq2seq) モデルが、シーケンス ベースのモデル パラメーターを使用した複雑な流行モデルの正確な代理として機能し、季節的および長期的な伝達ダイナミクスを効果的に複製できることを示します。
トレーニングが完了すると、サロゲートは元のモデルよりも数千倍速くシナリオを予測できるため、ポリシーの探索に最適です。
従来の流行モデルを学習したシミュレーターに置き換えると、堅牢なベイジアン推論が容易になることを示します。

要約(オリジナル)

Epidemic models are powerful tools in understanding infectious disease. However, as they increase in size and complexity, they can quickly become computationally intractable. Recent progress in modelling methodology has shown that surrogate models can be used to emulate complex epidemic models with a high-dimensional parameter space. We show that deep sequence-to-sequence (seq2seq) models can serve as accurate surrogates for complex epidemic models with sequence based model parameters, effectively replicating seasonal and long-term transmission dynamics. Once trained, our surrogate can predict scenarios a several thousand times faster than the original model, making them ideal for policy exploration. We demonstrate that replacing a traditional epidemic model with a learned simulator facilitates robust Bayesian inference.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google