用于流行病学时间序列中 regime 变化超分辨识别的动力学信息反卷积神经网络
机器学习
2023-07-18 v1 计算机视觉与模式识别
种群与进化
应用统计
摘要
从随机扩散的低分辨率结局推断流行病学系统中扰动的时间与幅度，既重要又具挑战性。当前方法要求克服需在分析前知晓扰动细节的需求。然而，将流行病学曲线与潜在发病数联系起来的通用问题，缺乏如计算机视觉中超分辨与去雾等其它反问题中存在的高效方法。在此，我们逆向开发了一种无监督物理信息卷积神经网络方法，将死亡记录与发病数相关联，从而以单日分辨率识别 regime 变化。应用于 COVID-19 数据时，配合适当的正则化与模型选择准则，该方法能以一年时间跨度上 0.93 天的精度识别封锁及其他非药物干预的实施与解除。
引用
@article{arxiv.2209.07802,
title = {Dynamics-informed deconvolutional neural networks for super-resolution identification of regime changes in epidemiological time series},
author = {Jose M. G. Vilar and Leonor Saiz},
journal= {arXiv preprint arXiv:2209.07802},
year = {2023}
}
备注
18 pages, 5 figures