論文の概要: Advancing Real-time Pandemic Forecasting Using Large Language Models: A COVID-19 Case Study
- arxiv url: http://arxiv.org/abs/2404.06962v1
- Date: Wed, 10 Apr 2024 12:22:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-11 14:40:47.744090
- Title: Advancing Real-time Pandemic Forecasting Using Large Language Models: A COVID-19 Case Study
- Title（参考訳）: 大規模言語モデルを用いたリアルタイムパンデミック予測の強化:COVID-19の事例研究
- Authors: Hongru Du, Jianan Zhao, Yang Zhao, Shaochong Xu, Xihong Lin, Yiran Chen, Lauren M. Gardner, Hao, Yang,
- Abstract要約: 既存の予測モデルは、関連するデータと堅牢な結果翻訳の多面的な性質に苦慮している。
本研究は、テキスト推論問題として、リアルタイムに拡散する疾患の予測を再構築する新しいフレームワークであるPandemicLLMを紹介する。
このモデルは新型コロナウイルス(COVID-19)のパンデミックに適用され、テキストによる公衆衛生政策、ゲノム監視、空間および疫学的時系列データを活用するように訓練されている。
- 参考スコア（独自算出の注目度）: 39.70947911556511
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Forecasting the short-term spread of an ongoing disease outbreak is a formidable challenge due to the complexity of contributing factors, some of which can be characterized through interlinked, multi-modality variables such as epidemiological time series data, viral biology, population demographics, and the intersection of public policy and human behavior. Existing forecasting model frameworks struggle with the multifaceted nature of relevant data and robust results translation, which hinders their performances and the provision of actionable insights for public health decision-makers. Our work introduces PandemicLLM, a novel framework with multi-modal Large Language Models (LLMs) that reformulates real-time forecasting of disease spread as a text reasoning problem, with the ability to incorporate real-time, complex, non-numerical information that previously unattainable in traditional forecasting models. This approach, through a unique AI-human cooperative prompt design and time series representation learning, encodes multi-modal data for LLMs. The model is applied to the COVID-19 pandemic, and trained to utilize textual public health policies, genomic surveillance, spatial, and epidemiological time series data, and is subsequently tested across all 50 states of the U.S. Empirically, PandemicLLM is shown to be a high-performing pandemic forecasting framework that effectively captures the impact of emerging variants and can provide timely and accurate predictions. The proposed PandemicLLM opens avenues for incorporating various pandemic-related data in heterogeneous formats and exhibits performance benefits over existing models. This study illuminates the potential of adapting LLMs and representation learning to enhance pandemic forecasting, illustrating how AI innovations can strengthen pandemic responses and crisis management in the future.
- Abstract（参考訳）: 疫学的時系列データ、ウイルス生物学、人口統計学、公共政策と人間の行動の交わりなど、相互に結びついた多様性変数によって特徴付けられる。
既存の予測モデルフレームワークは、関連するデータと堅牢な結果の翻訳の多面的な性質に苦慮している。
従来の予測モデルでは実現不可能であったリアルタイム,複雑,非数値的な情報を組み込む機能を備えた,テキスト推論問題として展開される病気のリアルタイム予測を再構築する,マルチモーダルな大規模言語モデル(LLM)を備えた新しいフレームワークであるPandemicLLMを紹介した。
このアプローチは、AIと人間の協調的なプロンプト設計と時系列表現学習を通じて、LLMのマルチモーダルデータを符号化する。
このモデルは新型コロナウイルス(COVID-19)のパンデミックに適用され、テキストによる公衆衛生政策、ゲノム監視、空間、疫学的時系列データを利用するように訓練され、その後アメリカの50州すべてでテストされる。
提案したPandemicLLMは、さまざまなパンデミック関連データを異種フォーマットに組み込むための道を開き、既存のモデルよりもパフォーマンス上の利点を示す。
本研究は,AIイノベーションが今後,パンデミック対応や危機管理をいかに強化するかを考察し,パンデミック予測を強化するために,LLMの適応と表現学習の可能性を照らしている。
関連論文リスト
- A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19 [0.6874745415692134]
本稿では,感染症予測の課題に対処する新しいアプローチを提案する。
本稿では,複数の情報源からの情報を活用するマルチラテラルアテンション強化型GRUモデルを提案する。
GRUフレームワークに注意機構を組み込むことで、我々のモデルはデータ内の複雑な関係や時間的依存を効果的に捉えることができる。
論文 参考訳（メタデータ） (2024-08-26T06:31:53Z) - A Short Survey of Human Mobility Prediction in Epidemic Modeling from Transformers to LLMs [0.0]
疫病の流行をモデル化するためには、人々がどう動くかを理解することが不可欠である。
人口移動の予測は、公衆衛生上の緊急時のモデルや効果的な対応計画の策定に不可欠である。
BERTやLLM(Large Language Models)のような事前訓練された言語モデルを用いて,モビリティ予測タスクに特化して,さまざまなアプローチをレビューする。
論文 参考訳（メタデータ） (2024-04-25T17:52:19Z) - Multimodal Graph Learning for Modeling Emerging Pandemics with Big Data [3.4512624130325786]
本稿では,時間グラフニューラルネットワークとマルチモーダルデータを統合して学習と予測を行う,MGL4MEPという新しいフレームワークを提案する。
我々は、特定の訓練済み言語モデルを利用することで、ソーシャルメディアコンテンツを含むビッグデータソースを組み込む。
この統合は、時間グラフニューラルネットワークによる学習を通じて、パンデミックのダイナミクスの豊富な指標を提供する。
論文 参考訳（メタデータ） (2023-10-23T04:05:19Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - Combining Graph Neural Networks and Spatio-temporal Disease Models to
Predict COVID-19 Cases in Germany [0.0]
いくつかの専門家は、新型コロナウイルスの拡散を説明するために人間の移動性を考慮する必要性を求めた。
ほとんどの統計モデルや疫学モデルでは、人間の移動性を符号化するデータを含む非構造化データソースを直接組み込むことはできない。
本稿では,両研究方向のトレードオフを提案し,統計回帰モデルと機械学習モデルの利点を組み合わせた新しい学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-03T16:39:00Z) - An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。
我々はイタリアとフランスの疫病の進化を予報する。
論文 参考訳（メタデータ） (2020-10-28T10:58:59Z) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。