Characterization of extremal epidemic networks with diffusion characters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Epidemic models often incorporate contact networks along which the disease can be passed. The connectivity of the network can have a substantial impact on the course of the epidemic. In this study an evolutionary computation system is used to optimizes networks with a fixed distribution of contacts to yield either long-lasting epidemics or epidemics in which a maximal number of individuals are infected in a given time step. These networks represent extremal cases of network behavior. A novel network analysis tool called the diffusion character matrix, derived from the Leontief inverse of a modified adjacency matrix, is used to demonstrate that the networks located for the two optimizations are substantially different. The diffusion character matrix analysis allows us to place several metric-like dissimilarity measure on the space of graphs with a fixed number of nodes. The evolutionary algorithm used searches the space of networks with a specified degree sequence, with degrees representing the number of contacts for each member of the population. The representation used to evolve networks is a linear chromosome specifying a series of degree-preserving editing moves applied to an initial network that specifies the degree sequence of the searched networks. The evolutionary algorithm uses a non-standard type of restart called recentering in which the currently best network in the population replaces the initial network at intervals. The recentering operator moves the evolving population to successively higher fitness regions of the search space. In this study the algorithm is applied to networks with constant degrees from 3 to 7. The diffusion character matrix analysis also demonstrates that the volume of the search space occupied by networks maximizing the number of individuals that fall sick in one time step is much smaller than that occupied by networks that maximize epidemic length.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle