毫秒级拟合！新方法精度超DINN四个数量级，90%区间覆盖87-92%
Conformalized Physics-Informed Weak Regression for Parameter Estimation in Epidemic Models
📖 AI 总结
本文提出一种用于传染病模型参数估计的新方法，将物理信息回归与共形预测相结合。针对房室模型中参数常以线性形式出现的特点，作者采用闭式最小二乘求解，并提出物理信息弱回归（PIWR）：该方法对模型进行时间积分而非拟合数据的有限差分导数，无需数据求导，可联合估计初始状态且具有高阶精度。为量化不确定性，作者将两种估计器纳入分裂共形预测框架，以物理模型自身生成校准样本，从而为所有参数提供具有有限样本覆盖保证的同步区间，并引入无需真值的残差自适应因子（PIWR-RACC）按数据集缩放区间。在DINN的十一个基准模型上，PIWR或PIR-FD6在采样能解析动力学时精度高出报告结果一至四个数量级，单次拟合约一毫秒，而90%区间的实际覆盖率在全部88种设置中达到87%至92%。在原始PIR研究的S3I3R模型上，PIWR将误差降低约三个数量级；在1978年寄宿学校流感暴发的真实数据上，其95%区间与贝叶斯分析结果重叠。该工作表明，结合弱形式回归与共形校准可在极低计算成本下实现高精度、有覆盖保证的流行病学参数估计。
🔑 关键词速览
| 物理信息弱回归 (PIWR) | 一种通过时间积分而非数据导数来拟合传染病模型参数的方法，无需数据导数且具有高阶精度。 |
| 分裂共形预测 | 一种无分布的不确定性量化框架，通过校准集为参数估计生成具有有限样本覆盖保证的同时区间。 |
| 疾病信息神经网络 (DINN) | 用于传染病建模的神经网络基准方法，本文将其作为比较对象。 |
| S3I3R 模型 | 原始物理信息回归研究中使用的传染病房室模型，包含多个感染和恢复阶段。 |
| 变量投影 | 一种优化技术，通过分离线性参数来简化非线性最小二乘问题，用于提高估计效率和稳定性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅