epidemiology
PulseAugur coverage of epidemiology — every cluster mentioning epidemiology across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的统计方法GHSIC衡量潜在位置随机图中的独立性
研究人员开发了一种名为图希尔伯特-施密特独立性准则（GHSIC）的新统计方法，用于衡量多个潜在位置随机图（LPRGs）的独立性。这种新颖的方法将现有仅限于两个分量的方法扩展到可以处理M >= 2个LPRGs。GHSIC方法的收敛速度估计约为n^(-1/3)，并且不需要选择特定的核或超参数。通过对合成数据进行的数值实验以及在分析与自然语言感知相关的脑功能连接子网络中的实际应用，证明了这种新准则的有效性。
-
新框架区分遵守研究设计的流行病学模型
研究人员开发了一个新的框架来评估流行病学模型，区分“忽略设计”和“尊重设计”的方法。这项研究利用了一个大规模的集群随机试验阴性对照试验，发现虽然两种模型类型都能准确地重构观测数据，但尊重设计模型在保持干预对比方面更为稳健。这种区分对于确保模型准确反映研究设计并且不会因数据收集方式而产生误导性结果至关重要。
-
软件工程对AI的反应与流行病学应对COVID的比较
作者将软件工程行业对AI的反应与流行病学领域应对COVID-19的方式进行了类比。他们认为，当整个行业面临重大的现实挑战时，可能会陷入困境。
-
新框架将时间序列预测视为视觉修复任务
研究人员推出 ICI-Time，一个将时间序列预测视为视觉修复问题的新框架。该方法通过将时间序列数据转换为面积图等视觉表示，来利用大型视觉模型的能力。该方法允许预训练的视觉 Transformer 在这些视觉提示中完成模式，而无需专门的时间架构或大量的微调。在流行病学、气象学和电力系统等不同领域的实验表明，ICI-Time 在现有深度学习方法中具有竞争力，尤其是在数据有限的情况下。
-
ICI-Time框架将时间序列预测重构为视觉修复问题
研究人员开发了ICI-Time，一个将时间序列预测视为视觉修复问题的新框架。该方法通过将时间序列数据转换为面积图，然后用于模式补全任务，从而利用大型视觉模型。在流行病学、气象学和电力系统中的实验表明，ICI-Time在与现有深度学习方法相比时具有竞争力，尤其是在数据有限的情况下。
-
新的SBI-BOED方法优化推理和实验设计
一篇新研究论文介绍了一种连接基于仿真推理（SBI）和贝叶斯最优实验设计（BOED）的方法。这种方法被称为SBI-BOED，利用互信息界限同时优化实验设计和摊销推理函数。该论文在流行病学和生物学领域的真实模拟器中，展示了该方法在复杂科学模型中的效用，并显示出推理精度的显著提高。
-
新的SimulRAG框架通过模拟器为科学问答中的LLM奠定基础
研究人员开发了SimulRAG，一个旨在提高大型语言模型（LLM）在长篇科学问答中可信度的新型框架。SimulRAG通过将科学模拟器集成到检索增强生成（RAG）过程中，解决了LLM生成不支持或不一致声明的问题。该框架具有通用的模拟器检索接口和声明级验证系统，该系统选择性地用模拟器证据更新答案，从而提高信息量和事实准确性。
-
新论文质疑工具变量估计量的解释
一篇新发表在arXiv上的论文由Danielle Tsao撰写，探讨了在处理聚合处理变量时解释工具变量（IV）估计量的挑战。研究强调，聚合处理的因果效应可能存在歧义，具体取决于干预措施在组件级别上的实施方式。该论文引入了聚合约束组件干预分布（ACID）来形式化这种关系，并确定了标准IV估计量仍可提供有效解释的特定条件。
-
新方法简化复杂模型的因果数据融合
研究人员引入了因果数据融合的新方法，这是一种结合观察数据和实验数据以识别因果效应的技术。所提出的方法利用剪枝和聚类操作作为预处理步骤，以管理与do-calculus相关的计算复杂性，特别是在变量众多和因果图复杂的情况下。这些方法旨在减小模型尺寸同时保留关键特征，并在流行病学和社会科学领域进行了应用演示。
-
新的RuleSHAP框架增强了流行病学数据的机器学习推理能力
研究人员开发了一个名为RuleSHAP的新框架，以改进流行病学中机器学习模型的统计推理。该框架整合了贝叶斯回归、树集成和Shapley值，为特征效应提供不确定性量化，这在当前的机器学习应用中常常缺失。RuleSHAP可以检测非线性和交互效应，提供个体层面的不确定性估计，并已在模拟数据和流行病学队列研究中得到验证，用于识别与高胆固醇和血压相关的效应。
-
新研究发现AI模型在科学文献综合方面存在困难
研究人员开发了AgentSLR，一个用于评估执行科学知识综合的AI模型的新评估框架，特别关注流行病学系统文献综述。该框架包含一个包含16,000多篇文章的数据集以及综述过程中每个阶段的指标。对五个领先的推理模型进行的测试显示，没有一个模型在所有任务上都表现出色，其中结构化数据提取被证明是一个重大挑战，因为在该领域没有模型的F1分数高于0.67。研究结果表明，目前的AI模型在流行病学等可能影响公共政策的领域中尚不足以进行无监督使用。
-
使用对抗性随机森林的合成数据可准确重现流行病学发现
一项发表在arXiv上的新研究提出，对抗性随机森林（ARF）是一种生成合成流行病学数据的有效方法。该研究使用ARF生成的数据复制了六项现有流行病学研究的分析，发现结果与原始发现一致。与常用的数据合成器相比，ARF在效用、隐私保护和计算效率方面表现更优。
-
谷歌研究利用AI工具加速科学发现
谷歌研究人员正在利用一款名为经验研究助手（Empirical Research Assistance, ERA）的AI工具来加速各个领域的科学发现。ERA已被用于生成专家级的经验软件，应用于流行病学、宇宙学、大气监测和神经科学等领域。在流行病学方面，ERA在预测COVID-19、流感和RSV住院人数方面，已显示出与现有工具相当或更优的表现，并已提交给公开排行榜，取得了优异的成绩。该工具还在探索其潜力，以从数据中解锁更深层次的见解，并发…