Learning Epidemiological Dynamics via the Finite Expression Method

要約

感染症の蔓延をモデル化して予測することは、公衆衛生上の効果的な意思決定に不可欠です。
従来の疫学モデルは複雑な動態を説明するために専門家が定義したフレームワークに依存していますが、ニューラルネットワークはその予測能力にもかかわらず、その「ブラックボックス」の性質により解釈可能性に欠けていることがよくあります。
この論文では、強化学習を活用して疫学動態の明示的な数式を導出する記号学習フレームワークである有限表現法を紹介します。
FEX は、合成データセットと現実世界のデータセットの両方での数値実験を通じて、疫学変数間の明示的な関係を明らかにしながら、病気の蔓延のモデリングと予測における高い精度を実証します。
これらの結果は、FEX が感染症モデリングの強力なツールであることを強調しており、解釈可能性と強力な予測パフォーマンスを組み合わせて、公衆衛生における実際のアプリケーションをサポートします。

要約(オリジナル)

Modeling and forecasting the spread of infectious diseases is essential for effective public health decision-making. Traditional epidemiological models rely on expert-defined frameworks to describe complex dynamics, while neural networks, despite their predictive power, often lack interpretability due to their “black-box’ nature. This paper introduces the Finite Expression Method, a symbolic learning framework that leverages reinforcement learning to derive explicit mathematical expressions for epidemiological dynamics. Through numerical experiments on both synthetic and real-world datasets, FEX demonstrates high accuracy in modeling and predicting disease spread, while uncovering explicit relationships among epidemiological variables. These results highlight FEX as a powerful tool for infectious disease modeling, combining interpretability with strong predictive performance to support practical applications in public health.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google