Hacktoberfest 2026: los issues que los mantenedores marcaron para octubre, abiertos y aptos para principiantes. Explorar issues de Hacktoberfest

Longer running infection feedback process

Abierto
  • ¿Algo no está bien?
#458 0 comentarios 0 reacciones 0 asignados Ver en GitHub

Los mantenedores suelen responder en 5 días

Nadie ha tomado este issue todavía.

Evaluación

Dificultad
5/5
Tiempo estimado
Más de una semana
Aptitud para principiantes
30/100
Tipo de issue
Nueva funcionalidad
Claridad
Bastante claro
Estado de actividad
Estancado
Stack tecnológico
python
Área
backend

Línea de trabajo

Lee equations.md#infections y pyrenew/latent/infection_functions.py en new_double_convolve_scanner. Determina la opción adicional del scanner a partir de la actualización de feedback online indicada y, después, confirma que admite inferencias de mayor duración sin conservar todo el historial de infecciones. Se considera completado cuando la nueva función de escaneo está disponible como otra opción.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

pyrenew

Goal

Add more options to feedback process on $\log R_t$, described here, which are efficient for longer running inference.

Context

IMO from basic principles fitting on data only from after a peak hospitalisation and before the next peak hospitalisation then the action of the feedback term will be pretty unidentifiable. However, the obvious downside of running the inference over longer time periods is that we would require a very long history of infections within the model to carry for inside scan.

From f2f discussion with @dylanhmorris we had a quick think about easier ways to model this.

IMO, the easiest way to have a long period of effect from feed back whilst avoiding heavy compute is:

F(t) = \gamma \sum_{\tau = 1}^{\infty}I(t-\tau)f(\tau) = \gamma \sum_{\tau = 1}^{\infty}I(t-\tau) \left(\lambda_f\right)^{\tau -1}.

Where $\lambda_f \in [0,1]$ is a forgetting factor, and $T_f = \infty$. Whilst exponential smoothing is pretty simplistic, it is handy because it has an on-line update rule:

F(t+1) = \gamma  I(t) + \lambda_f F(t).

This means that scan only has to carry forward the feedback strength $F(t)$ rather than a long vector of past infections, in addition to the recent infections required for the new infection calculation.

NB:

  • This approach would very likely work better with infection on a per capita scale and $F(0)$ is likely to be a parameter that needs inference.
  • @dylanhmorris pointed out that more complicated models that exponential decay are possible e.g. a multi-stage Erlang decay.

Required features

Lenguaje dominante
Python
Estrellas
30
Forks
11
Merge medio
3 d 23 h
PR fusionados (30 d)
8

Preparar el entorno

Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de CDCgov/PyRenew

Todos los issues de CDCgov/PyRenew

Issues similares

Más issues de Python

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.