抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
COVID-19パンデミックは流行モデルのロバストな理解の必要性を強調した。流行の現行モデルは,機構的または非機械的:機構的モデルのいずれかとして分類される:機構モデルは,疾患の動力学に関する明確な仮定を作る,一方,非機械的モデルは,観察された時系列の形に関する仮定を作る。ここでは,2つのアプローチを橋渡しする単純な混合ベースモデルを導入し,両者の利点を保持した。モデルは,Gauss曲線の混合物として,事例と死亡の時系列を表し,従来の機構モデルと比較して,データから学習する柔軟な関数クラスを提供した。このモデルは非機械論的であるが,ネットワーク化SIRフレームワークに基づく確率的プロセスの自然な結果として発生することを示した。これは,類似の非力学モデルと比較して,より意味のある解釈を取るための学習パラメータを可能にし,COVID-19パンデミック中に収集した補助移動度データを用いて解釈を検証した。モデルパラメータを同定し,データから効率的に学習できる理論結果を確立する簡単な学習アルゴリズムを提供した。経験的に,著者らは低い予測誤差を持つモデルを見つける。モデルは,コビダイ予測で利用できる。最後に,これはCOVID-19に対する介入の影響を系統的に理解することを可能にし,これは流行を制御するデータ駆動解の開発に重要である。【JST・京大機械翻訳】