MOCMIN: استنتاج محدب شبکههای تماس با رتبه پایین مدولار بر روی دادههای انتشار COVID
| عنوان | MOCMIN: استنتاج محدب شبکههای تماس با رتبه پایین مدولار بر روی دادههای انتشار COVID |
|---|---|
| نویسنده | سفر، امره |
| تاریخ انتشار: | 2022 |
| محل انتشار | - TÜBİTAK |
| موضوع | کووید، انتشار، استنتاج نمودار، مدولاریت، SEIR |
| نوع | دوره ای |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 1300-0632 |
| شماره ثبت | 6ec2e44b-cc9f-4c78-bd48-b1c5c5153654 |
| محل کتابخانه | علوم کامپیوتر |
| تاریخ | 2022 |
| متن نمونه | SEIR (که از حالتهای حساس، در معرض، آلوده و بهبودیافته تشکیل شده است) یک مدل انتشار رایج است که میتواند پویایی انتشار بیماریهای مختلف را در حوزههای مختلف مانند آنفولانزا و انتشار COVID مدل کند. به عنوان انگیزه، در این حوزهها، مشاهده حالتهای گره نسبتاً سادهتر از مشاهده لبههای شبکه است که انتشار روی آنها انجام میشود، یا حتی ممکن است مشاهده شبکه زیربنایی ممکن نباشد. این مقاله بر روی مشکل پیشبینی لبههای شبکه تماس انسان با رتبه پایین مدولار تمرکز میکند تنها در صورتی که بتوان یک دینامیک انتشار SEIR در بین انسان در شبکه تماس آنها مشاهده کرد. چنین شبکه های تماسی ماژولاریت بالایی را نشان می دهند که در آن نمودار دارای اتصالات متراکم بین رئوس درون ماژول ها است، اما اتصالات پراکنده بین رئوس در ماژول های مختلف. ما ابتدا چنین مسئله استنتاجی را به عنوان یک مسئله بهینهسازی فرموله میکنیم، تحدب آن را مورد بحث قرار میدهیم و MOCMIN را پیشنهاد میکنیم تا به طور بهینه چنین تماسهای ناشناخته شبکه تماس مدولار انسانی را از دادههای انتشار COVID استنتاج کند. این مشکل استنتاج شبکه تماس مدولار در حالت کلی مهم است که در آن حالتهای انسانی مانند آلوده به ویروس و بازیابی از ویروس راحتتر از تماسهای بین انسانها قابل شناسایی است. مشارکتهای ما را میتوان به صورت زیر خلاصه کرد: (1) MOCMIN میتواند دادههای انتشار پر سر و صدا، ناقص یا نمونهبرداری شده را در حین استنباط شبکه تماس ناشناخته مدیریت کند. (2) شبکه های تماس استنباط شده بسیار مدولار هستند که با روش های موجود قابل اطمینان نیستند. (3) این مقاله از MOCMIN برای درک بهتر انتشار COVID در شبکه تماس استفاده می کند. ما دریافتیم که MOCMIN در استنتاج شبکه تماس انسان واقعی مدولار از دادههای انتشار COVID تحت تعدادی از سناریوهای چالش برانگیز دقیق است. به عنوان مثال، چنین شبکه تماس دبیرستانی را می توان با ردیابی انتشار COVID در بین انسان ها تقریباً 5٪ بهتر از روش های مقایسه شده توسط توانایی MOCMIN برای مدل سازی مدولار بودن شبکه استنباط کرد. از طریق چنین استنتاجی، ما همچنین می توانیم جزئیات پویایی انتشار COVID در شبکه تماس واقعی انسان را درک کنیم. علاوه بر این، نمودارهای تماس انسانی استنباط شده تقریباً از ویژگی های گرافیکی شناخته شده شبکه تماس واقعی تقلید می کنند. در نهایت، MOCMIN در حین تخمین شبکه های مصنوعی از رویکردهای رقیب بهتر عمل می کند. |
| DOI | 10.55730/1300-0632.3956 |
| Cilt | 30 |
