Fast Variational Bayesian Algorithm for Multi-event Dynamic Capture-Recapture modelling of Big COVID-19 data
To fully understand COVID-19, it is essential to estimate the probabilities of case detection, infection, survival, and recovery. However, large data become challenging for Markov Chain Monte Carlo. To address these challenges, for the first time we propose Variational Bayesian methods as a more computationally efficient and scalable alternative for estimating capture recapture models. Specifically, we focus on Non-Conjugate Variational Inference and Automatic differentiation Variational Inference. These techniques effectively approximate complex posterior distributions while minimizing excessive computational demands and mathematical derivations typically associated with the traditional Variational Bayesian technique. We demonstrate the effectiveness of our Variational Bayesian modelling approach through extensive simulation studies and an application to COVID-19 surveillance data. Our results show the advantages of these methods in terms of computational efficiency and scalability.
Algorithme bayésien variationnel rapide pour la modélisation dynamique de capture-recapture multi-événements de données massives sur la COVID-19
Pour bien comprendre la COVID-19, il est essentiel d'estimer les probabilités de détection des cas, d'infection, de survie et de guérison. Cependant, les données massives représentent un défi pour la méthode de Monte Carlo par chaînes de Markov. Pour relever ces défis, nous proposons des méthodes bayésiennes variationnelles novatrices comme alternative plus efficace et évolutive pour l'estimation des modèles de capture-recapture. Plus précisément, nous nous concentrons sur l'inférence variationnelle non conjuguée et l'inférence variationnelle par différentiation automatique. Ces techniques permettent d'approximer efficacement les distributions a posteriori complexes tout en minimisant les besoins de calcul et les dérivations mathématiques généralement associées à la méthode bayésienne variationnelle traditionnelle. Nous démontrons l'efficacité de notre approche par le biais d'études de simulation approfondies et d'une application aux données de surveillance de la COVID-19. Nos résultats mettent en évidence les avantages de ces méthodes en termes d'efficacité de calcul et d'évolutivité.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais