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": "A\u00f1o", 
7
      "key": "A\u00f1o", 
            
8
      "value": "2024"
8
      "value": "2024"
            
9
    }, 
9
    }, 
            
10
    {
10
    {
            
11
      "key": "DOI", 
11
      "key": "DOI", 
            
12
      "value": "https://doi.org/10.1109/acai63924.2024.10899726"
12
      "value": "https://doi.org/10.1109/acai63924.2024.10899726"
            
13
    }, 
13
    }, 
            
14
    {
14
    {
            
15
      "key": "Google Scholar URL", 
15
      "key": "Google Scholar URL", 
            
16
      "value": 
16
      "value": 
            
17
gesize=100&sortby=pubdate&citation_for_view=b81TvMMAAAAJ:0EnyYjriUFMC"
17
gesize=100&sortby=pubdate&citation_for_view=b81TvMMAAAAJ:0EnyYjriUFMC"
            
18
    }, 
18
    }, 
            
19
    {
19
    {
            
20
      "key": "Identificador hash", 
20
      "key": "Identificador hash", 
            
21
      "value": "28b290cd9e78"
21
      "value": "28b290cd9e78"
            
22
    }, 
22
    }, 
            
23
    {
23
    {
            
24
      "key": "Lugar de publicaci\u00f3n", 
24
      "key": "Lugar de publicaci\u00f3n", 
            
25
      "value": "2024 7th International Conference on Algorithms, 
25
      "value": "2024 7th International Conference on Algorithms, 
            
26
Computing and Artificial \u2026, 2024"
26
Computing and Artificial \u2026, 2024"
            
27
    }, 
27
    }, 
            
28
    {
28
    {
            
29
      "key": "Tipo", 
29
      "key": "Tipo", 
            
30
      "value": "Publicaci\u00f3n"
30
      "value": "Publicaci\u00f3n"
            
31
    }, 
31
    }, 
            
32
    {
32
    {
            
33
      "key": "Tipo de publicaci\u00f3n", 
33
      "key": "Tipo de publicaci\u00f3n", 
            
34
      "value": "Conferencia"
34
      "value": "Conferencia"
            
35
    }, 
35
    }, 
            
36
    {
36
    {
            
37
      "key": "URL directo", 
37
      "key": "URL directo", 
            
38
      "value": 
38
      "value": 
            
39
"https://research.utwente.nl/files/464834148/manuscript_3_.pdf"
39
"https://research.utwente.nl/files/464834148/manuscript_3_.pdf"
            
40
    }
40
    }
            
41
  ], 
41
  ], 
            
42
  "groups": [
42
  "groups": [
            
43
    {
43
    {
            
44
      "description": "", 
44
      "description": "", 
            
45
      "display_name": "Publicaciones", 
45
      "display_name": "Publicaciones", 
            
46
      "id": "8be672a5-4640-455e-a4f3-46b52b66c07b", 
46
      "id": "8be672a5-4640-455e-a4f3-46b52b66c07b", 
            
47
      "image_display_url": "", 
47
      "image_display_url": "", 
            
48
      "name": "publicaciones", 
48
      "name": "publicaciones", 
            
49
      "title": "Publicaciones"
49
      "title": "Publicaciones"
            
50
    }
50
    }
            
51
  ], 
51
  ], 
            
52
  "id": "6e38ea12-f158-478a-85d2-f4f5a48f7468", 
52
  "id": "6e38ea12-f158-478a-85d2-f4f5a48f7468", 
            
53
  "isopen": false, 
53
  "isopen": false, 
            
54
  "license_id": null, 
54
  "license_id": null, 
            
55
  "license_title": null, 
55
  "license_title": null, 
            
56
  "maintainer": null, 
56
  "maintainer": null, 
            
57
  "maintainer_email": null, 
57
  "maintainer_email": null, 
            
58
  "metadata_created": "2025-10-21T08:59:06.185733", 
58
  "metadata_created": "2025-10-21T08:59:06.185733", 
            
n
59
  "metadata_modified": "2025-10-21T08:59:06.185741", 
n
59
  "metadata_modified": "2025-10-21T08:59:06.626317", 
            
60
  "name": "28b290cd9e78", 
60
  "name": "28b290cd9e78", 
            
61
  "notes": "Understanding and predicting outbreaks of epidemics has 
61
  "notes": "Understanding and predicting outbreaks of epidemics has 
            
62
become a major focus since COVID-19. Researchers have explored various 
62
become a major focus since COVID-19. Researchers have explored various 
            
63
methods, from basic curve fitting to complex machine learning 
63
methods, from basic curve fitting to complex machine learning 
            
64
techniques, to predict how the virus spreads. One promising method is 
64
techniques, to predict how the virus spreads. One promising method is 
            
65
the Network Inference-based Prediction Algorithm (NIPA), which uses 
65
the Network Inference-based Prediction Algorithm (NIPA), which uses 
            
66
the SIR-model and the least absolute shrinkage and selection operator 
66
the SIR-model and the least absolute shrinkage and selection operator 
            
67
to estimate how the infections spread over different regions. However, 
67
to estimate how the infections spread over different regions. However, 
            
68
fine-tuning the regularization parameter of NIPA can be complicated 
68
fine-tuning the regularization parameter of NIPA can be complicated 
            
69
because of the time-consuming process and sub-optimal result of k-fold 
69
because of the time-consuming process and sub-optimal result of k-fold 
            
70
Cross-Validation (CV). To overcome this, we suggest using Simulated 
70
Cross-Validation (CV). To overcome this, we suggest using Simulated 
            
71
Annealing (SA) to optimize NIPA's regularization parameter and find an 
71
Annealing (SA) to optimize NIPA's regularization parameter and find an 
            
72
optimal value for the curing probability. Our study aims to combine SA 
72
optimal value for the curing probability. Our study aims to combine SA 
            
73
with NIPA to make the process of choosing the optimal value for the 
73
with NIPA to make the process of choosing the optimal value for the 
            
74
parameters more effective. The results of the research show that the 
74
parameters more effective. The results of the research show that the 
            
75
accuracy is improved and therefore indicate that SA is an acceptable 
75
accuracy is improved and therefore indicate that SA is an acceptable 
            
76
alternative to CV, regardless of the computation time being higher.", 
76
alternative to CV, regardless of the computation time being higher.", 
            
n
77
  "num_resources": 0, 
n
77
  "num_resources": 1, 
            
78
  "num_tags": 4, 
78
  "num_tags": 4, 
            
79
  "organization": {
79
  "organization": {
            
80
    "approval_status": "approved", 
80
    "approval_status": "approved", 
            
81
    "created": "2022-05-19T00:10:30.480393", 
81
    "created": "2022-05-19T00:10:30.480393", 
            
82
    "description": "Observatorio Metropolitano CentroGeo", 
82
    "description": "Observatorio Metropolitano CentroGeo", 
            
83
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
83
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
84
    "image_url": 
84
    "image_url": 
            
85
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
85
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
86
    "is_organization": true, 
86
    "is_organization": true, 
            
87
    "name": "observatorio-metropolitano-centrogeo", 
87
    "name": "observatorio-metropolitano-centrogeo", 
            
88
    "state": "active", 
88
    "state": "active", 
            
89
    "title": "Observatorio Metropolitano CentroGeo", 
89
    "title": "Observatorio Metropolitano CentroGeo", 
            
90
    "type": "organization"
90
    "type": "organization"
            
91
  }, 
91
  }, 
            
92
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
92
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
93
  "private": false, 
93
  "private": false, 
            
94
  "relationships_as_object": [], 
94
  "relationships_as_object": [], 
            
95
  "relationships_as_subject": [], 
95
  "relationships_as_subject": [], 
            
t
96
  "resources": [], 
t
96
  "resources": [
            
97
    {
            
98
      "cache_last_updated": null, 
            
99
      "cache_url": null, 
            
100
      "created": "2025-10-21T08:59:06.644596", 
            
101
      "datastore_active": false, 
            
102
      "description": "Understanding and predicting outbreaks of 
            
103
epidemics has become a major focus since COVID-19. Researchers have 
            
104
explored various methods, from basic curve fitting to complex machine 
            
105
learning techniques, to predict how the virus spreads. One promising 
            
106
method is the Network Inference-based Prediction Algorithm (NIPA), 
            
107
which uses the SIR-model and the least absolute shrinkage and 
            
108
selection operator to estimate how the infections spread over 
            
109
different regions. However, fine-tuning the regularization parameter 
            
110
of NIPA can be complicated because of the time-consuming process and 
            
111
sub-optimal result of k-fold Cross-Validation (CV). To overcome this, 
            
112
we suggest using Simulated Annealing (SA) to optimize NIPA's 
            
113
regularization parameter and find an optimal value for the curing 
            
114
probability. Our study aims to combine SA with NIPA to make the 
            
115
process of choosing the optimal value for the parameters more 
            
116
effective. The results of the research show that the accuracy is 
            
117
improved and therefore indicate that SA is an acceptable alternative 
            
118
to CV, regardless of the computation time being higher.", 
            
119
      "format": "HTML", 
            
120
      "hash": "", 
            
121
      "id": "fa8319f3-c5bf-431d-9984-96c1604fac70", 
            
122
      "last_modified": null, 
            
123
      "metadata_modified": "2025-10-21T08:59:06.630303", 
            
124
      "mimetype": null, 
            
125
      "mimetype_inner": null, 
            
126
      "name": "Enhancing Epidemic Prediction Using Simulated Annealing 
            
127
for Parameter Optimization in Infection Network Inference", 
            
128
      "package_id": "6e38ea12-f158-478a-85d2-f4f5a48f7468", 
            
129
      "position": 0, 
            
130
      "resource_type": null, 
            
131
      "size": null, 
            
132
      "state": "active", 
            
133
      "url": 
            
134
esize=100&sortby=pubdate&citation_for_view=b81TvMMAAAAJ:0EnyYjriUFMC", 
            
135
      "url_type": null
            
136
    }
            
137
  ], 
            
97
  "state": "active", 
138
  "state": "active", 
            
98
  "tags": [
139
  "tags": [
            
99
    {
140
    {
            
100
      "display_name": "2024", 
141
      "display_name": "2024", 
            
101
      "id": "83ca0aff-0e55-47cc-a3c4-ef8aebf15b19", 
142
      "id": "83ca0aff-0e55-47cc-a3c4-ef8aebf15b19", 
            
102
      "name": "2024", 
143
      "name": "2024", 
            
103
      "state": "active", 
144
      "state": "active", 
            
104
      "vocabulary_id": null
145
      "vocabulary_id": null
            
105
    }, 
146
    }, 
            
106
    {
147
    {
            
107
      "display_name": "albertogarob", 
148
      "display_name": "albertogarob", 
            
108
      "id": "b079b3e9-8dbb-4423-88fb-f095153d314a", 
149
      "id": "b079b3e9-8dbb-4423-88fb-f095153d314a", 
            
109
      "name": "albertogarob", 
150
      "name": "albertogarob", 
            
110
      "state": "active", 
151
      "state": "active", 
            
111
      "vocabulary_id": null
152
      "vocabulary_id": null
            
112
    }, 
153
    }, 
            
113
    {
154
    {
            
114
      "display_name": "computer-science", 
155
      "display_name": "computer-science", 
            
115
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
156
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
116
      "name": "computer-science", 
157
      "name": "computer-science", 
            
117
      "state": "active", 
158
      "state": "active", 
            
118
      "vocabulary_id": null
159
      "vocabulary_id": null
            
119
    }, 
160
    }, 
            
120
    {
161
    {
            
121
      "display_name": "medicine", 
162
      "display_name": "medicine", 
            
122
      "id": "437735c8-61e7-407a-902d-119c79632914", 
163
      "id": "437735c8-61e7-407a-902d-119c79632914", 
            
123
      "name": "medicine", 
164
      "name": "medicine", 
            
124
      "state": "active", 
165
      "state": "active", 
            
125
      "vocabulary_id": null
166
      "vocabulary_id": null
            
126
    }
167
    }
            
127
  ], 
168
  ], 
            
128
  "title": "Enhancing Epidemic Prediction Using Simulated Annealing 
169
  "title": "Enhancing Epidemic Prediction Using Simulated Annealing 
            
129
for Parameter Optimization in Infection Network Inference", 
170
for Parameter Optimization in Infection Network Inference", 
            
130
  "type": "dataset", 
171
  "type": "dataset", 
            
131
  "url": 
172
  "url": 
            
132
esize=100&sortby=pubdate&citation_for_view=b81TvMMAAAAJ:0EnyYjriUFMC", 
173
esize=100&sortby=pubdate&citation_for_view=b81TvMMAAAAJ:0EnyYjriUFMC", 
            
133
  "version": null
174
  "version": null
            
134
}
175
}