×
Vinicius L.S.席尔瓦。;希尼，克莱尔·E·。;李亚奇;克里斯托弗·佩恩（Christopher C.Pain）。

数据同化预测GAN（DA-PredGAN）应用于流行病学中的时空分区模型。 （英语） Zbl 1510.68090号

科学杂志。计算。 94，第1号，第25号论文，第31页（2023年）; 更正同上，95，第2号，第47号论文，第2页（2023年）。
摘要：我们提出了生成性对抗网络（GAN）的一种新用途：（i）及时预测（PredGAN）和（ii）同化测量（DA-PredGAN）。在后一种情况下，我们利用了生成模型的自然伴随性质以及在时间上向前和向后模拟的能力。GANs在生成逼真的图像方面取得了优异的成绩，最近受到了广泛的关注。我们希望探索该特性如何转化为计算建模中的新应用，并利用伴随类特性进行有效的数据同化。我们将这些方法应用于流行病学中的分区模型，该模型能够模拟空间和时间变化，并模拟了新冠肺炎在理想化城镇中的传播。为此，GAN设置在一个降阶模型中，该模型使用低维空间来表示仿真状态的空间分布。然后，GAN学习低维状态随时间的演化。结果表明，所提出的方法能够准确预测高保真数值模拟的演变，能够有效地同化观测数据并确定相应的模型参数。

引用于1审查
引用于1文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
68T07型 人工神经网络与深度学习
92天30分 流行病学

关键词：

生成性对抗网络;时空预测;数据同化;降阶模型;深度学习;房室模型;流行病学;新冠肺炎

软件：

TensorFlow公司;epimdr公司;差向异构体2;达奇;DiffSharp（差异锐化）;凯拉斯;社交GAN;ElemStatLearn（电子状态学习）;TempoGAN公司;Scikit公司
PDF格式BibTeX公司 XML格式引用
\textit{V.L.S.Silva}等人，《科学杂志》。计算。94，第1号，第25号论文，第31页（2023年；Zbl 1510.68090）
全文： 内政部 arXiv公司
OA许可证

参考文献：

[1] Abadi，M.，Agarwal，A.，Barham，P.，Brevdo，E.，Chen，Z.，Citro，C.，Corrado，G.S.，Davis，A.，Dean，J.，Devin，M.版本，I。，Talwar，K.、Tucker，P.、Vanhoucke，V.、Vasudevan，V.，Viégas，F.、Vinyals，O.、Warden，P.，Wattenberg，M.Wicke、M.Yu，Y.、Zheng，X.：TensorFlow:异构系统上的大规模机器学习（2015）。软件可从tensorflow.org获得
[2] Alsayyari，F。；Perkó，Z。；蒂贝加，M。；Kloosterman，JL；Lathouwers，D.，参数化时间相关问题的完全自适应非侵入降阶建模方法，计算。方法应用。机械。工程，373（2021）·Zbl 1506.74384号
[3] 安德森，RM；安德森，B。；May，RM，《人类传染病：动力学和控制》（1992），牛津：牛津大学出版社，牛津
[4] 奥杜泽，C。；De Vuyst，F。；Nair，PB，参数化含时偏微分方程的非侵入降阶建模，数值。方法部分差异。Equ.、。，29, 5, 1587-1628 (2013) ·Zbl 1274.65270号
[5] Baydin，AG公司；Pearlmutter，文学学士；Radul，AA；Simkind，JM，《机器学习中的自动差异化：一项调查》，J.Mach。学习。研究，18，1，5595-5637（2017）·Zbl 06982909号
[6] 本纳，P。；古吉丁，S。；Willcox，K.，参数动力系统基于投影的模型简化方法综述，SIAM Rev.，57，4，483-531（2015）·Zbl 1339.37089号
[7] 俄亥俄州比约恩斯塔德。；谢伊，K。；Krzywinski，M。；Altman，N.，传染病动力学的SEIRS模型，《自然方法》，17，6，557-558（2020）
[8] Björnstad，ON，《流行病：使用R的模型和数据》（2018），柏林：施普林格出版社，柏林·Zbl 1407.92001号
[9] 安大略省比约恩斯塔德；Shea，K。；Krzywinski，M。；Altman，N.，《传染病建模》，《自然方法》，第17期，第455-456页（2020年）
[10] 布雷达，D。；Kuniya，T。；Ripoll，J。；Vermiglio，R.，计算结构化种群基本繁殖数的下一代算子的配置，科学杂志。计算。，85, 40 (2020) ·兹比尔1453.92006
[11] 坎丘穆尼，西南；JD卡斯特罗；波特拉茨，J。；艾默里克，AA；Pacheco，MAC，相历史匹配集成平滑器和深层生成网络的最新发展，计算。地质科学。，25, 1, 433-466 (2021) ·Zbl 1453.86038号
[12] 马萨诸塞州卡多佐；杜洛夫斯基，LJ；Sarma，P.，《地下水流模拟降阶建模程序的开发和应用》，国际期刊Numer。方法工程，77，9，1322-1350（2009）·Zbl 1156.76420号
[13] Cheng，K。；塔希尔，R。；埃里克，LK；Li，M.，基于MNIST数据集的生成性对抗网络和图像合成变体分析，多媒体工具应用。，79, 19, 13725-13752 (2020)
[14] Cheng，M。；方，F。；疼痛，CC；Navon，I.，《使用深度卷积生成对抗网络的非线性时空流体流动的数据驱动建模》，计算。方法应用。机械。工程，365（2020）·Zbl 1442.76040号
[15] Cobey，S.，《传染病动力学建模》，《科学》，3686492713-714（2020）
[16] Dal Santo，N。；德帕里斯，S。；Pegolotti，L.，用约化基和神经网络对参数化偏微分方程进行数据驱动近似，J.Compute。物理。，416 (2020) ·Zbl 1437.65224号
[17] Dietz，K.，《传染病基本生殖数的估算》，《统计方法医学研究》，第2、1、23-41页（1993年）
[18] 达莫尔，L。；阿库奇，R。；卡拉奇乌洛。；Murli，A.，变分数据同化的可扩展方法，J.Sci。计算。，61, 2, 239-257 (2014) ·Zbl 1311.65056号
[19] Flaxman，S.、Mishra，S.，Gandy，A.、Unwin，H.、Coupland，H.，Mellan，T.、Zhu，H..、Berah，T.，Eaton，J.、Perez Guzman，P.等人：报告13：估计11个欧洲国家的感染数量和非药物干预对新型冠状病毒肺炎的影响（2020年）
[20] 弗雷斯卡，S。；戴德，L。；Manzoni，A.，基于深度学习的综合方法，用于非线性时间相关参数化PDE的降阶建模，J.Sci。计算。，87, 61 (2021) ·Zbl 1470.65166号
[21] Géron，A.，《使用Scikit Learn、Keras和TensorFlow进行机器学习：构建智能系统的概念、工具和技术》（2019），塞瓦斯托波尔：奥莱利媒体，塞瓦斯托波尔
[22] Goodfellow，I.、Pouget-Abadie，J.、Mirza，M.、Xu，B.、Warde-Farley，D.、Ozair，S.、Courville，A.、Bengio，Y.：生成性对抗网。摘自：《神经信息处理系统进展》，第2672-2680页（2014年）
[23] 古德费罗，我。；Y.本吉奥。；科尔维尔，A。；Bengio，Y.，《深度学习》（2016），剑桥：麻省理工学院出版社，剑桥·Zbl 1373.68009号
[24] Gupta，A.、Johnson，J.、Fei-Fei，L.、Savarese，S.、Alahi，A.：社会GAN：具有生成性对抗网络的社会可接受的轨迹。摘自：IEEE计算机视觉和模式识别会议记录，第2255-2264页（2018年）
[25] 哈斯蒂，T。；蒂布希拉尼，R。；Friedman，J.，《统计学习的要素：数据挖掘、推断和预测》（2009），柏林：施普林格出版社，柏林·Zbl 1273.62005年
[26] 赫塞文，JS；Ubbiali，S.，《使用神经网络对非线性问题进行非侵入式降阶建模》，J.Compute。物理。，363, 55-78 (2018) ·Zbl 1398.65330号
[27] Hethcote，HW，传染病数学，SIAM Rev.，42，4，599-653（2000）·Zbl 0993.92033号
[28] 通用电气公司Hinton；Osindero，S。；Teh，Y-W，深度信念网络的快速学习算法，神经计算。，18, 7, 1527-1554 (2006) ·兹比尔1106.68094
[29] Jolaade，M.、Silva，V.L.、Heaney，C.E.、Pain，C.C.：应用于流体流动模型的生成网络。摘自：国际计算科学会议，第742-755页。柏林施普林格（2022）
[30] Kadeethum，T。；奥马利，D。；福格，JN；Choi，Y。；Lee，J。；维斯瓦纳坦，HS；Bouklas，N.，《使用条件生成对抗网络的PDE数据驱动解决方案和参数估计框架》，《自然计算》。科学。，1, 12, 819-829 (2021)
[31] Kang，B。；Choe，J.，《通过聚类分析和深层卷积生成对抗网络辅助河道储层的不确定性量化》，J.Petrol。科学。工程，187（2020）
[32] Kingma，D.P.，Welling，M.：自动编码变分贝叶斯。arXiv预印arXiv:1312.6114（2013）
[33] 科钦奇克，M。；Grabowski，F。；Lipniacki，T.，超传播事件引发了新型冠状病毒肺炎的指数增长期{R} _0（0）\)高于最初估计，R.Soc.Open Sci。，7, 9 (2020)
[34] 威斯康星州科斯托斯；马格里奇，AH；Jackson，MD，《参数化非侵入降阶建模的一种有效且稳健的方法》，国际期刊数值。方法工程，121，20，4674-4688（2020）
[35] LeCun，Y.，概括和网络设计策略，连接。展望。，19, 143-155 (1989)
[36] 李凯。；黄，T-Z；李，L。；Lanteri，S.，使用三次样条插值对参数化电磁散射问题进行非侵入降阶建模，J.Sci。计算。，87, 52 (2021) ·Zbl 1472.65122号
[37] Linnainmaa，S.，累积舍入误差的泰勒展开式，位数值。数学。，16, 2, 146-160 (1976) ·Zbl 0332.65024号
[38] 刘，W。；王，Z。；刘，X。；曾，N。；刘，Y。；Alsaadi，FE，深度神经网络架构及其应用的调查，神经计算，234，11-26（2017）
[39] Liu，Y.，Gayle，A.A.，Wilder-Smith，A.，Rocklöv，J.：与SARS冠状病毒相比，新型冠状病毒的繁殖数量更高。《旅行医学杂志》（2020）
[40] 卢，C。；Zhu，X.，非侵入降阶建模中的双保真数据辅助神经网络，J.Sci。计算。，87, 8 (2021) ·Zbl 1466.65225号
[41] Maulik，R。；Lusch，B。；Balaprakash，P.，用递归神经网络和卷积自编码器对对流主导系统进行降阶建模，Phys。流体，33（2021）
[42] Mirza，M.，Osindero，S.：条件生成对抗网。arXiv预印arXiv:1411.1784（2014）
[43] Mosser，L.，Dubrule，O.，Blunt，M.J.：深层流：深层生成模型空间中的历史匹配。arXiv预印本arXiv:1905.05749，（2019）·Zbl 1428.86022号
[44] Nadler，P。；王，S。；阿库奇，R。；杨，X。；Guo，Y.，《通过数据同化的新型冠状病毒疫情建模方法》，《欧洲流行病学杂志》。，35, 749-761 (2020)
[45] Nikolopoulos，S。；卡洛格里斯，I。；Papadopoulos，V.，使用卷积自编码器对参数化含时偏微分方程进行非侵入代理建模，工程应用。Artif公司。智力。，109 (2022)
[46] 奥利弗，DS；Chen，Y.，油藏历史拟合的最新进展：综述，计算。地质科学。，15, 1, 185-221 (2011) ·Zbl 1209.86001号
[47] 奥利弗，DS；雷诺数，AC；Liu，N.，《油藏描述和历史拟合的反演理论》（2008），剑桥：剑桥大学出版社，剑桥
[48] Phillips，T.R.F.，Heaney，C.E.，Smith，P.N.，Pain，C.C.：基于自编码器的特征值问题降阶模型，应用于中子扩散。国际期刊数字。方法工程（接受）。doi:10.1002/nme.6681（2021）
[49] 基洛德兰·卡萨斯，C。；席尔瓦，VLS；阿库奇，R。；希尼，CE；郭毅。；基于双向LSTM和GAN的Pain、CC、Digital双胞胎，用于模拟新冠肺炎疫情，神经计算，470，11-28（2022）
[50] Radford，A.，Metz，L.，Chintala，S.：深度卷积生成对抗网络的无监督表示学习。arXiv预印arXiv:1511.06434（2015）
[51] Razak，S.M.，Jafarpour，B.：与生成对抗性网络的历史匹配。收录于：ECMOR XVII，第2020卷，第1-17页。欧洲地球科学家和工程师协会（2020年）
[52] Rozza，G。；Huynh，DBP；Patera，AT，仿射参数化椭圆强制偏微分方程的约化基近似和后验误差估计，Arch。计算。方法工程，15，229-275（2008）·Zbl 1304.65251号
[53] 雷杜列斯库，A。；威廉姆斯，C。；Cavanagh，K.，《新型冠状病毒SEIR型社区传播模式中的管理策略》，科学。代表，1021256（2020年）
[54] 德国鲁梅尔哈特；通用电气公司Hinton；威廉姆斯，RJ，通过反向传播错误学习表征，《自然》，3236088533-536（1986）·Zbl 1369.68284号
[55] Shim，E.、Tariq，A.、Choi，W.、Lee，Y.、Chowell，G.：新冠肺炎在韩国的传播潜力和严重程度。国际传染病杂志。数字化信息系统。(2020)
[56] 席尔瓦，VLS；艾默里克，AA；库托，P。；Alves，JLD，《不确定性下的历史拟合和生产优化——闭环油藏管理的应用》，J.Petrol。科学。工程，157，860-874（2017）
[57] 斯特拉祖洛，M。；巴拉林，F。；Rozza，G.，鞍点公式中参数化时间相关线性二次型最优控制问题的POD-Galerkin模型降阶，J.Sci。计算。，83, 55 (2020) ·Zbl 1444.49013号
[58] öugar Gabor，O.，《使用人工神经网络解决一般非定常流动问题的参数化非侵入降阶模型》，Int.J.Numer。方法流体，93，5，1309-1331（2021）
[59] 瑞士R。；Mainini，L.公司。；Peherstorfer，B。；Willcox，K.，《基于投影的模型简化：基于物理的机器学习公式》，计算。流体，179，704-717（2019）·兹比尔1411.65061
[60] Tarantola，A.，模型参数估计的反问题理论和方法（2005），费城：SIAM，费城·Zbl 1074.65013号
[61] Viguerie，A。；Veneziani，A。；洛伦佐，G。；巴罗利，D。；Aretz-Nellesen，N。；巴顿，A。；Yankeelov，TE；Reali，A。；休斯，TJ；Auricchio，F.，在连续介质力学框架中制定的扩散-反应室模型：COVID-19的应用，数学分析和数值研究，计算。机械。，66, 5, 1131-1152 (2020) ·Zbl 1469.92127号
[62] Viguerie，A。；洛伦佐，G。；Auricchio，F。；巴罗利，D。；休斯，TJ；巴顿，A。；Reali，A。；Yankeelov，TE；Veneziani，A.，通过具有异质扩散的空间解析易感暴露-感染-恢复-死亡（SEIRD）模型模拟新型冠状病毒的传播，Appl。数学。莱特。，111 (2021) ·Zbl 1448.92349号
[63] Wang，S.、Tarroni，G.、Qin，C.、Mo，Y.、Dai，C.、Chen，C.、Glocker，B.、Guo，Y.，Rueckert，D.、Bai，W.：基于深度生成模型的心脏MRI分割质量控制。载：国际医学图像计算和计算机辅助干预会议，第88-97页。施普林格，柏林（2020）
[64] Wengert，RE，一个简单的自动导数评估程序，Commun。ACM，7，8，463-464（1964）·Zbl 0131.34602号
[65] 肖，D。；方，F。；疼痛，CC；Navon，IM，一般含时非线性偏微分方程的参数化非侵入降阶模型和误差分析及其应用，计算。方法应用。机械。工程，317868-889（2017）·Zbl 1439.65124号
[66] 谢毅。；Franz，E。；Chu，M。；Thureey，N.，tempoGAN：用于超分辨率流体流动的时间相干、体积GAN，ACM Trans。图表。（TOG），37，4，1-15（2018）
[67] 徐，J。；Duraisamy，K.，时空动力学参数预测的多级卷积自动编码器网络，计算。方法应用。机械。工程，372（2020）·Zbl 1506.68111号
[68] 钟，Z。；太阳，AY；Jeong，H.，使用条件深卷积生成对抗网络预测非均质地层中的（CO_2）羽流运移，水资源。第55、7、5830-5851号决议（2019年）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。