Integrating Machine Learning with Hybrid and Surrogate Models to Accelerate Multiscale Modeling of Acute Respiratory Infections
Notice bibliographique
Résumé
Accurate, efficient, and explainable modeling of the dynamics of acute respiratory infections (ARIs) remains, in many aspects, a significant challenge. While compartmental models such as SIR (Susceptible-Infected-Recovered) remain widely used for that purpose due to their simplicity, they cannot capture the complicated multiscale nature of disease progression which unites individual-level interactions affecting the initial phase of an outbreak and mass action laws governing the disease transmission in its general phase. Individual-based models (IBMs) offer a detailed representation capable of capturing these transmission nuances but have high computational demands. In this work, we explore hybrid and surrogate approaches to accelerate forecasting of acute respiratory infection dynamics performed via detailed epidemic models. The hybrid approach combines IBMs and compartmental models, dynamically switching between them with the help of statistical and ML-based methods. The surrogate approach, on the other hand, replaces IBM simulations with trained autoencoder approximations. Our results demonstrate that the usage of machine learning techniques and hybrid modeling allows us to obtain a significant speed-up compared to the original individual-based model-up to 1.6-2 times for the hybrid approach and up to 104 times in case of a surrogate model-without compromising accuracy. Although the suggested approaches cannot fully replace the original model, under certain scenarios they make forecasting with fine-grained epidemic models much more feasible for real-time use in epidemic surveillance.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».