PulseAugur
中
实时 17:21:26
English(EN) A Koopman-PINN Framework for Epidemic Models: Parameter Inference and Forecasting

新的 Koopman-PINN 框架增强了流行病建模与预测能力

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个名为 Koopman-PINN 的新框架，该框架结合了 Koopman 算子理论与物理信息神经网络，以改进流行病建模。该方法将流行病状态映射到一个潜在空间，在该空间中动力学更具线性，从而提高了可解释性和长期预测的稳定性。该框架在合成猴痘数据以及来自德国、摩洛哥和瑞典的真实世界 SARS-CoV-2 数据上进行了测试，与现有方法相比，在参数估计和轨迹重建方面表现出更优越的性能。 AI

影响 该框架为流行病建模和预测提供了一种更准确、更稳定的方法，有可能改善公共卫生响应。

排序理由 该集群包含一篇发表在 arXiv 上的研究论文，详细介绍了用于流行病建模的新框架。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Achraf Zinihi, Matthias Ehrhardt, Moulay Rchid Sidi Ammi ·

    A Koopman-PINN Framework for Epidemic Models: Parameter Inference and Forecasting

    arXiv:2606.15201v1 Announce Type: cross Abstract: We propose a Koopman-enhanced physics-informed neural network (K--PINN) framework for parameter inference and forecasting in nonlinear epidemic models. This method combines Koopman operator theory and physics-informed learning. It…

  2. arXiv stat.ML TIER_1 English(EN) · Moulay Rchid Sidi Ammi ·

    A Koopman-PINN Framework for Epidemic Models: Parameter Inference and Forecasting

    We propose a Koopman-enhanced physics-informed neural network (K--PINN) framework for parameter inference and forecasting in nonlinear epidemic models. This method combines Koopman operator theory and physics-informed learning. It maps epidemic states into a latent observable spa…

相关实体

相关话题