Close

Série de seminários sobre epidemiologia computacional difusa global (GPCE): Como controlar a propagação epidêmica por meio de redes estocásticas

Série de seminários sobre GPCE

Data/hora: terça-feira, 12 de agosto 11:30 – 12:30 Leste (EUA)

Tema: Como controlar a propagação epidêmica por meio de redes estocásticas

Palestrante: Aravind Srinivasan

Link do Zoom: https://virginia.zoom.us/j/92700002677?pwd=Zi8vQ21TUHpBQVYxQXFpaTZPY2FNdz09

 

Resumo:
A propagação de uma epidemia muitas vezes é modelada por um processo SIR aleatório em um grafo de redes sociais. O problema do MinInf consiste em minimizar o número esperado de infecções quando a doença começa em um vértice designado e podemos quebrar no máximo $B$ bordas (ou no máximo $B$ vértices, no caso de vacinação) do grafo. Esse tipo de intervenção corresponde naturalmente à implementação do distanciamento social (ou da vacinação, respectivamente) e, como a pandemia COVID-19 demonstrou, é fundamental para mitigar a propagação da infecção. Embora seja fundamental na epidemiologia, esse problema permaneceu aberto, de modo geral. Neste artigo, estudou-se o problema de MinInf sob o modelo de grafo aleatório de Chung-Lu e desenvolveu-se um esquema de aproximação pela média amostral (SAA) para ele. Também se mostrou que, para certos parâmetros do modelo de grafo aleatório que afetam o número de caminhos em um grafo desenhado aleatoriamente, nossa estrutura produz rigorosos algoritmos de aproximação bicritério. Por fim, isso foi complementado apresentando casos que demonstram os limites de nossa abordagem SAA.

Trata-se de um trabalho conjunto com Michael Dinitz (Johns Hopkins University), Leonidas Tsepenekas (Universidade de Maryland) e Anil Vullikanti (Universidade da Virgínia).

 

Sobre o palestrante:
Aravind Srinivasan é um professor universitário ilustre e professor de Ciências da Computação, UMIACS, e AMSC, na Universidade de Maryland, em College Park. Seus principais interesses de pesquisa são: algoritmos, métodos probabilísticos, ciência de dados, ciência de redes e teoria e aplicações de aprendizado de máquina em áreas como saúde, E-commerce, computação em nuvem, publicidade na Internet e equidade. Esses interesses abrangem áreas como: algoritmos, métodos probabilísticos e otimização contínua/combinatória; a interface de algoritmos, IA e machine learning em ciência de dados e saúde, incluindo epidemiologia computacional, genômica do câncer, farmacologia, transplante de órgãos e dispositivos médicos; ciência de dados e economia da Internet, incluindo E-commerce, marketing digital, otimização de nuvem, crowdsourcing e redes sociais; ciência e equidade de dados, incorporando sistematicamente (probabilística, por usuário/grupo demográfico) a equidade em IA e em algoritmos; algoritmos em redes, redes sociais e computação distribuída/paralela; e abordagens computacionais para o crescimento sustentável (incluindo energia, monitoramento e detecção, energia elétrica e redes de água).

This site is registered on wpml.org as a development site.