异质传染病模型的贝叶斯推断：考虑长期护理机构的 COVID-19 传播应用
统计方法学
2021-08-04 v1 最优化与控制
摘要
我们提出一种高维贝叶斯推断框架，用于学习 COVID-19 模型的异质动态，具体应用于长期护理（LTC）设施内外 COVID-19 动态与严重程度的建模。我们开发了异质仓室模型，考虑 LTC 设施内外 COVID-19 时变传播与严重程度的异质性，其由时间依赖随机过程与时间独立参数刻画，离散化后维度约 1500。为推断这些参数，我们使用报告的确诊、住院和死亡病例数数据，经适当后处理，先以带正则化的确定性反演方法，再以具合适先验分布的贝叶斯反演。为应对高维推断问题的维数灾难与不适定性，我们提出使用维数无关的投影 Stein 变分梯度下降法，并论证该反问题的内在低维性。我们给出新泽西与得克萨斯（经历不同疫情阶段与模式）带量化不确定性的推断结果，并基于推断的经验后验样本给出 COVID-19 未来轨迹的预测与验证结果。
引用
@article{arxiv.2011.01058,
title = {Bayesian inference of heterogeneous epidemic models: Application to COVID-19 spread accounting for long-term care facilities},
author = {Peng Chen and Keyi Wu and Omar Ghattas},
journal= {arXiv preprint arXiv:2011.01058},
year = {2021}
}