Covid19 再生数：基于分块近端蒙特卡洛采样器的可信区间
机器学习
2023-04-19 v3 信号处理
应用统计
统计方法学
机器学习
摘要
监测 Covid19 大流行是一项关键的社会关切，已获得大量研究投入。某一地区大流行的强度可由再生数高效度量，其量化了每日新增感染的增速。近来，利用非光滑泛函最小化的反问题公式给出了再生数随时间演化的估计。尽管该方法旨在对 Covid19 数据质量有限（离群值、缺失计数）具有鲁棒性，但其缺乏输出基于可信区间估计的能力。对于流行病学家在实际大流行监测中的实用而言，这仍是一严重局限，本文旨在通过蒙特卡洛采样克服之。在将非光滑泛函阐释为贝叶斯框架后，我们量身定制若干采样方案以适配所得后验分布的非光滑性质。所设算法的独创性源于将 Langevin 蒙特卡洛采样方案与近端（Proximal）算子相结合。我们比较了新算法在生成再生数估计与去噪计数的相关可信区间上的性能。评估基于约翰斯·霍普金斯大学提供的真实每日新增感染计数进行。所设监测工具的效用在多个不同国家的 Covid19 数据上得到展示。
引用
@article{arxiv.2203.09142,
title = {Covid19 Reproduction Number: Credibility Intervals by Blockwise Proximal Monte Carlo Samplers},
author = {Gersende Fort and Barbara Pascal and Patrice Abry and Nelly Pustelnik},
journal= {arXiv preprint arXiv:2203.09142},
year = {2023}
}