利用 Stein 变分推断和高斯过程代理器提升流行病学中随机智能体模型的校准
机器学习
2025-02-28 v1 机器学习
摘要
准确校准流行病学中随机智能体模型（ABM）对于制定公共卫生政策决策和干预措施至关重要。传统校准方法（如 MCMC）会产生待校准参数的概率密度函数，但往往计算成本高昂。当应用于高度参数化的 ABM 时，校准过程变得计算上不可行。本文探讨了将 Stein 变分推断（SVI）作为随机流行病学 ABM 由高斯过程（GP）代理器近似后的替代校准技术的实用性。SVI 利用梯度信息在待校准参数空间中迭代更新一组粒子，具有在高维 ABM 中实现规模和效率优势的潜力。该粒子集合为参数提供联合概率密度函数，作为校准结果。我们比较了 SVI 和 MCMC 在校准 CityCOVID（一种随机流行病学 ABM）时的性能，侧重于预测准确性和校准效果。我们的结果表明，SVI 在保持预测准确性和校准效果方面与 MCMC 相当，证明其是复杂流行病学模型的可行替代方案。我们还提出了使用基于梯度的校准技术（如 SVI）的实际挑战，包括对超参数的精细调优和对粒子动力学的监控。
引用
@article{arxiv.2502.19550,
title = {Advancing calibration for stochastic agent-based models in epidemiology with Stein variational inference and Gaussian process surrogates},
author = {Connor Robertson and Cosmin Safta and Nicholson Collier and Jonathan Ozik and Jaideep Ray},
journal= {arXiv preprint arXiv:2502.19550},
year = {2025}
}