Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "T Hoven, A Garcia-Robledo, M Zangiabady", 
2
  "author": "T Hoven, A Garcia-Robledo, M Zangiabady", 
            
3
  "author_email": null, 
3
  "author_email": null, 
            
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
            
5
  "extras": [
5
  "extras": [
            
6
    {
6
    {
            
7
      "key": "Publicaci\u00f3n", 
7
      "key": "Publicaci\u00f3n", 
            
8
      "value": "Conferencia"
8
      "value": "Conferencia"
            
9
    }, 
9
    }, 
            
10
    {
10
    {
            
11
      "key": "Tipo", 
11
      "key": "Tipo", 
            
12
      "value": "Publicaci\u00f3n"
12
      "value": "Publicaci\u00f3n"
            
13
    }
13
    }
            
14
  ], 
14
  ], 
            
15
  "groups": [
15
  "groups": [
            
16
    {
16
    {
            
17
      "description": "Este grupo integra las publicaciones 
17
      "description": "Este grupo integra las publicaciones 
            
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
            
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
            
20
presentados en congresos nacionales e internacionales, manuscritos en 
20
presentados en congresos nacionales e internacionales, manuscritos en 
            
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
            
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
            
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
            
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
            
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
            
26
      "display_name": "Publicaciones", 
26
      "display_name": "Publicaciones", 
            
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
            
28
      "image_display_url": "", 
28
      "image_display_url": "", 
            
29
      "name": "publicaciones", 
29
      "name": "publicaciones", 
            
30
      "title": "Publicaciones"
30
      "title": "Publicaciones"
            
31
    }
31
    }
            
32
  ], 
32
  ], 
            
33
  "id": "425b47e2-09ca-4fc4-8a3f-bc5e7ff09015", 
33
  "id": "425b47e2-09ca-4fc4-8a3f-bc5e7ff09015", 
            
34
  "isopen": false, 
34
  "isopen": false, 
            
35
  "license_id": null, 
35
  "license_id": null, 
            
36
  "license_title": null, 
36
  "license_title": null, 
            
37
  "maintainer": null, 
37
  "maintainer": null, 
            
38
  "maintainer_email": null, 
38
  "maintainer_email": null, 
            
39
  "metadata_created": "2025-10-10T07:19:35.871964", 
39
  "metadata_created": "2025-10-10T07:19:35.871964", 
            
n
40
  "metadata_modified": "2025-10-10T07:19:35.871972", 
n
40
  "metadata_modified": "2025-10-10T07:19:36.427090", 
            
41
  "name": 
41
  "name": 
            
42
ing-simulated-annealing-for-parameter-optimization-in-i-f6ce98c21f07", 
42
ing-simulated-annealing-for-parameter-optimization-in-i-f6ce98c21f07", 
            
43
  "notes": "Understanding and predicting outbreaks of epidemics has 
43
  "notes": "Understanding and predicting outbreaks of epidemics has 
            
44
become a major focus since COVID-19. Researchers have explored various 
44
become a major focus since COVID-19. Researchers have explored various 
            
45
methods, from basic curve fitting to complex machine learning 
45
methods, from basic curve fitting to complex machine learning 
            
46
techniques, to predict how the virus spreads. One promising method is 
46
techniques, to predict how the virus spreads. One promising method is 
            
47
the Network Inference-based Prediction Algorithm (NIPA), which uses 
47
the Network Inference-based Prediction Algorithm (NIPA), which uses 
            
48
the SIR-model and the least absolute shrinkage and selection operator 
48
the SIR-model and the least absolute shrinkage and selection operator 
            
49
to estimate how the infections spread over different regions. However, 
49
to estimate how the infections spread over different regions. However, 
            
50
fine-tuning the regularization parameter of NIPA can be complicated 
50
fine-tuning the regularization parameter of NIPA can be complicated 
            
51
because of the time-consuming process and sub-optimal result of k-fold 
51
because of the time-consuming process and sub-optimal result of k-fold 
            
52
Cross-Validation (CV). To overcome this, we suggest using Simulated 
52
Cross-Validation (CV). To overcome this, we suggest using Simulated 
            
53
Annealing (SA) to optimize NIPA's regularization parameter and find an 
53
Annealing (SA) to optimize NIPA's regularization parameter and find an 
            
54
optimal value for the curing probability. Our study aims to combine SA 
54
optimal value for the curing probability. Our study aims to combine SA 
            
55
with NIPA to make the process of choosing the optimal value for the 
55
with NIPA to make the process of choosing the optimal value for the 
            
56
parameters more effective. The results of the research show that the 
56
parameters more effective. The results of the research show that the 
            
57
accuracy is improved and therefore indicate that SA is an acceptable 
57
accuracy is improved and therefore indicate that SA is an acceptable 
            
58
alternative to CV, regardless of the computation time being higher.", 
58
alternative to CV, regardless of the computation time being higher.", 
            
n
59
  "num_resources": 0, 
n
59
  "num_resources": 1, 
            
60
  "num_tags": 7, 
60
  "num_tags": 7, 
            
61
  "organization": {
61
  "organization": {
            
62
    "approval_status": "approved", 
62
    "approval_status": "approved", 
            
63
    "created": "2022-05-19T00:10:30.480393", 
63
    "created": "2022-05-19T00:10:30.480393", 
            
64
    "description": "Observatorio Metropolitano CentroGeo", 
64
    "description": "Observatorio Metropolitano CentroGeo", 
            
65
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
65
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
66
    "image_url": 
66
    "image_url": 
            
67
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
67
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
68
    "is_organization": true, 
68
    "is_organization": true, 
            
69
    "name": "observatorio-metropolitano-centrogeo", 
69
    "name": "observatorio-metropolitano-centrogeo", 
            
70
    "state": "active", 
70
    "state": "active", 
            
71
    "title": "Observatorio Metropolitano CentroGeo", 
71
    "title": "Observatorio Metropolitano CentroGeo", 
            
72
    "type": "organization"
72
    "type": "organization"
            
73
  }, 
73
  }, 
            
74
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
74
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
75
  "private": false, 
75
  "private": false, 
            
76
  "relationships_as_object": [], 
76
  "relationships_as_object": [], 
            
77
  "relationships_as_subject": [], 
77
  "relationships_as_subject": [], 
            
t
78
  "resources": [], 
t
78
  "resources": [
            
79
    {
            
80
      "cache_last_updated": null, 
            
81
      "cache_url": null, 
            
82
      "created": "2025-10-10T07:19:36.451491", 
            
83
      "datastore_active": false, 
            
84
      "description": "Understanding and predicting outbreaks of 
            
85
epidemics has become a major focus since COVID-19. Researchers have 
            
86
explored various methods, from basic curve fitting to complex machine 
            
87
learning techniques, to predict how the virus spreads. One promising 
            
88
method is the Network Inference-based Prediction Algorithm (NIPA), 
            
89
which uses the SIR-model and the least absolute shrinkage and 
            
90
selection operator to estimate how the infections spread over 
            
91
different regions. However, fine-tuning the regularization parameter 
            
92
of NIPA can be complicated because of the time-consuming process and 
            
93
sub-optimal result of k-fold Cross-Validation (CV). To overcome this, 
            
94
we suggest using Simulated Annealing (SA) to optimize NIPA's 
            
95
regularization parameter and find an optimal value for the curing 
            
96
probability. Our study aims to combine SA with NIPA to make the 
            
97
process of choosing the optimal value for the parameters more 
            
98
effective. The results of the research show that the accuracy is 
            
99
improved and therefore indicate that SA is an acceptable alternative 
            
100
to CV, regardless of the computation time being higher.", 
            
101
      "format": "HTML", 
            
102
      "hash": "", 
            
103
      "id": "eaf6c26d-12fb-4e15-9ee0-3e4a0d331c95", 
            
104
      "last_modified": null, 
            
105
      "metadata_modified": "2025-10-10T07:19:36.431749", 
            
106
      "mimetype": null, 
            
107
      "mimetype_inner": null, 
            
108
      "name": "Enhancing Epidemic Prediction Using Simulated Annealing 
            
109
for Parameter Optimization in Infection Network Inference", 
            
110
      "package_id": "425b47e2-09ca-4fc4-8a3f-bc5e7ff09015", 
            
111
      "position": 0, 
            
112
      "resource_type": null, 
            
113
      "size": null, 
            
114
      "state": "active", 
            
115
      "url": "https://doi.org/10.1109/acai63924.2024.10899726", 
            
116
      "url_type": null
            
117
    }
            
118
  ], 
            
79
  "state": "active", 
119
  "state": "active", 
            
80
  "tags": [
120
  "tags": [
            
81
    {
121
    {
            
82
      "display_name": "annealing-glass", 
122
      "display_name": "annealing-glass", 
            
83
      "id": "cd87c078-e741-4bb5-a279-d53baa34281b", 
123
      "id": "cd87c078-e741-4bb5-a279-d53baa34281b", 
            
84
      "name": "annealing-glass", 
124
      "name": "annealing-glass", 
            
85
      "state": "active", 
125
      "state": "active", 
            
86
      "vocabulary_id": null
126
      "vocabulary_id": null
            
87
    }, 
127
    }, 
            
88
    {
128
    {
            
89
      "display_name": "artificial-intelligence", 
129
      "display_name": "artificial-intelligence", 
            
90
      "id": "47cb06d3-c2a4-42af-b633-03eea6181083", 
130
      "id": "47cb06d3-c2a4-42af-b633-03eea6181083", 
            
91
      "name": "artificial-intelligence", 
131
      "name": "artificial-intelligence", 
            
92
      "state": "active", 
132
      "state": "active", 
            
93
      "vocabulary_id": null
133
      "vocabulary_id": null
            
94
    }, 
134
    }, 
            
95
    {
135
    {
            
96
      "display_name": "computer-science", 
136
      "display_name": "computer-science", 
            
97
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
137
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
98
      "name": "computer-science", 
138
      "name": "computer-science", 
            
99
      "state": "active", 
139
      "state": "active", 
            
100
      "vocabulary_id": null
140
      "vocabulary_id": null
            
101
    }, 
141
    }, 
            
102
    {
142
    {
            
103
      "display_name": "inference", 
143
      "display_name": "inference", 
            
104
      "id": "5d9573e8-9e5e-40ed-be34-fc77e6a2076b", 
144
      "id": "5d9573e8-9e5e-40ed-be34-fc77e6a2076b", 
            
105
      "name": "inference", 
145
      "name": "inference", 
            
106
      "state": "active", 
146
      "state": "active", 
            
107
      "vocabulary_id": null
147
      "vocabulary_id": null
            
108
    }, 
148
    }, 
            
109
    {
149
    {
            
110
      "display_name": "machine-learning", 
150
      "display_name": "machine-learning", 
            
111
      "id": "99557dd8-2914-4e28-8278-7a042cfb23d0", 
151
      "id": "99557dd8-2914-4e28-8278-7a042cfb23d0", 
            
112
      "name": "machine-learning", 
152
      "name": "machine-learning", 
            
113
      "state": "active", 
153
      "state": "active", 
            
114
      "vocabulary_id": null
154
      "vocabulary_id": null
            
115
    }, 
155
    }, 
            
116
    {
156
    {
            
117
      "display_name": "mathematical-optimization", 
157
      "display_name": "mathematical-optimization", 
            
118
      "id": "b33a86ee-df39-4619-8165-c8d73afbf5a4", 
158
      "id": "b33a86ee-df39-4619-8165-c8d73afbf5a4", 
            
119
      "name": "mathematical-optimization", 
159
      "name": "mathematical-optimization", 
            
120
      "state": "active", 
160
      "state": "active", 
            
121
      "vocabulary_id": null
161
      "vocabulary_id": null
            
122
    }, 
162
    }, 
            
123
    {
163
    {
            
124
      "display_name": "simulated-annealing", 
164
      "display_name": "simulated-annealing", 
            
125
      "id": "fb10debf-8675-47b3-8cdb-925f7b71f1c4", 
165
      "id": "fb10debf-8675-47b3-8cdb-925f7b71f1c4", 
            
126
      "name": "simulated-annealing", 
166
      "name": "simulated-annealing", 
            
127
      "state": "active", 
167
      "state": "active", 
            
128
      "vocabulary_id": null
168
      "vocabulary_id": null
            
129
    }
169
    }
            
130
  ], 
170
  ], 
            
131
  "title": "Enhancing Epidemic Prediction Using Simulated Annealing 
171
  "title": "Enhancing Epidemic Prediction Using Simulated Annealing 
            
132
for Parameter Optimization in Infection Network Inference", 
172
for Parameter Optimization in Infection Network Inference", 
            
133
  "type": "dataset", 
173
  "type": "dataset", 
            
134
  "url": "https://doi.org/10.1109/acai63924.2024.10899726", 
174
  "url": "https://doi.org/10.1109/acai63924.2024.10899726", 
            
135
  "version": null
175
  "version": null
            
136
}
176
}