arXiv:2407.07538

An epidemical model with nonlocal spatial infections

Su Yang, Weiqi Chu, Panayotis Kevrekidis

제출 2024-07-10

원문 초록

The SIR model is one of the most prototypical compartmental models in epidemiology. Generalizing this ordinary differential equation (ODE) framework into a spatially distributed partial differential equation (PDE) model is a considerable challenge. In the present work, we extend a recently proposed model based on nearest-neighbor spatial interactions by one of the authors in~\cite{vaziry2022modelling} towards a nonlocal, nonlinear PDE variant of the SIR prototype. We then seek to develop a set of tools that provide insights for this PDE framework. Stationary states and their stability analysis offer a perspective on the early spatial growth of the infection. Evolutionary computational dynamics enable visualization of the spatio-temporal progression of infection and recovery, allowing for an appreciation of the effect of varying parameters of the nonlocal kernel, such as, e.g., its width parameter. These features are explored in both one- and two-dimensional settings. At a model-reduction level, we develop a sequence of interpretable moment-based diagnostics to observe how these reflect the total number of infections, the epidemic's epicenter, and its spread. Finally, we propose a data-driven methodology based on the sparse identification of nonlinear dynamics (SINDy) to identify approximate closed-form dynamical equations for such quantities. These approaches may pave the way for further spatio-temporal studies, enabling the quantification of epidemics.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2505.01353v3math.OC공통 태그 model공식 코드 · Papers with Code

미분 가능한 비선형 모델 예측 제어

Differentiable Nonlinear Model Predictive Control

매개변수적 해 민감도의 효율적인 계산은 학습 강화 방법을 비선형 모델 예측 제어와 통합하는 데 있어 핵심 과제이며, 이는 많은 학습 알고리즘에서 민감도의 가용성이 필수적이기 때문이다. 본 논문은 음함수 정리와 내점법(IPM)에서 다루는 평활화된 최적성 조건을 이용하여 일반 비선형 계획법의 해 민감도를 계산하는 방법을 논한다. 장벽 매개변수가 지정된 비음수 목표값에 접근하도록 허용하여 SQP와 IPM 이차계획법(QP) 풀이기를 일반화하고, 이 목표값이 0일 때 고전적 SQP를 복원하는 순차 장벽 이차계획법(sequential barrier quadratic programming, SBQP)을 도입한다. 기존 연구는 볼록 또는 제약 없는 정식화에 한정되거나 효율적인 민감도 평가를 위한 구현이 부족하다. 본 발표는 `acados` 프레임워크 내의 효율적인 오픈소스 구현을 동반하며, 일반 최적 제어 문제에 대해 순방향 및 수반(adjoint) 민감도를 모두 제공하고 최신 풀이기인 `mpc.pytorch` 및 `cvxpygen` 대비 3배를 넘는 속도 향상을 달성한다.

arXiv:2505.15215v3stat.ML공통 태그 Epidemiology공식 코드 · Papers with Code

인과 데이터 융합에서의 군집화와 가지치기

Clustering and Pruning in Causal Data Fusion

데이터 융합(data fusion)은 관측 데이터(observational data)와 실험 데이터(experimental data)를 결합하는 과정으로, 그렇지 않았다면 식별 불가능(non-identifiable)했을 인과 효과(causal effects)의 식별을 가능하게 할 수 있습니다. 특정 시나리오에 대한 식별 알고리즘들이 개발되었지만, 특히 변수가 일부 데이터 소스(data sources)에는 존재하고 다른 곳에는 없는 경우, do-calculus는 인과 데이터 융합을 위한 유일한 범용 도구로 남아 있습니다. 그러나 do-calculus에 기반한 접근 방식은 변수의 수가 증가하고 인과 그래프(causal graph)가 복잡해짐에 따라 계산적 어려움에 직면할 수 있습니다. 결과적으로, 핵심 특징(essential features)을 보존하면서 이러한 모델의 크기를 줄일 필요가 있습니다. 이를 위해, 본 연구는 인과 데이터 융합을 위한 전처리 연산으로 가지치기(pruning, 불필요한 변수 제거)와 군집화(clustering, 변수 결합)를 제안합니다. 단일 데이터 소스(single data source)에 대한 기존 결과를 일반화하고, 다중 데이터 소스(multiple data sources)의 경우 가지치기와 군집화를 적용하기 위한 조건을 도출합니다. 더 작은 그래프를 기반으로 더 큰 그래프에서 인과 효과의 식별 가능성(identifiability) 또는 식별 불가능성(non-identifiability)을 추론하기 위한 충분 조건(sufficient conditions)을 제공하고, 식별 가능한 인과 효과에 대해 해당 식별 함수(identifying functional)를 구하는 방법을 제시합니다. 역학(epidemiology) 및 사회과학(social science)의 예시를 통해 연구 결과의 활용성을 입증합니다.

arXiv:2505.00571v3stat.ML공통 태그 Epidemiology공식 코드 · Papers with Code

베이지안 회귀, 트리 앙상블 및 Shapley 값을 통합한 역학 데이터의 비선형성을 넘어선 발견과 추론

Discovery and inference beyond linearity for epidemiological data by integrating Bayesian regression, tree ensembles and Shapley values

머신러닝(ML)은 가설 없는(hypothesis-free) 위험 및 보호 요인 발견을 위해 역학 및 의료 연구에서 인기를 얻고 있습니다. ML은 비선형성과 상호작용을 발견하는 데 강점이 있지만, 신뢰할 수 있는 추론(inference)의 부재로 인해 이러한 강점이 저해됩니다. Shapley 값은 특징의 효과에 대한 국소적 측정치를 제공하지만, 이러한 효과에 대한 타당한 불확실성 정량화가 일반적으로 부족하여 통계적 추론을 불가능하게 만듭니다. 우리는 이러한 한계를 해결하기 위해 전용 베이지안 희소 회귀 모델(model)과 개선된 트리 기반 규칙 생성기, 그리고 Shapley 값 귀속을 결합한 RuleSHAP 프레임워크를 제안합니다. RuleSHAP는 비선형 및 상호작용 효과의 탐지를 제공하며, 개별 수준에서의 불확실성 정량화를 핵심 기여로 포함합니다. 우리는 이 프레임워크 내에서 한계 Shapley 값을 계산하기 위한 효율적인 공식을 유도합니다. 우리는 고콜레스테롤혈증과 고혈압에 대한 여러 효과를 탐지하고 추론하기 위해 역학 코호트 데이터에 RuleSHAP를 적용했으며, 여기에는 연령, 성별, 인종, BMI 및 포도당 수준과 같은 특징 간의 비선형 상호작용 효과가 포함됩니다. 결론적으로, 우리는 시뮬레이션 데이터를 통해 프레임워크의 타당성을 입증합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.