論文の概要: CAPE: Covariate-Adjusted Pre-Training for Epidemic Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2502.03393v2
• Date: Sun, 23 Feb 2025 03:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:47:00.419560
• Title: CAPE: Covariate-Adjusted Pre-Training for Epidemic Time Series Forecasting
• Title（参考訳）: CAPE: エピデミック時系列予測のための共変量調整前訓練
• Authors: Zewen Liu, Juntong Ni, Max S. Y. Lau, Wei Jin,
• Abstract要約: CAPEは、多様な地域からの広範な疾患データセットを活用するために設計された、新しい流行前トレーニングフレームワークである。 下流病のより深い意思決定のために、環境要因を直接モデリングプロセスに統合する。 平均9.9%のフルショット、14.3%のゼロショット設定でトップベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 4.645622477620366
• License:
• Abstract: Accurate forecasting of epidemic infection trajectories is crucial for safeguarding public health. However, limited data availability during emerging outbreaks and the complex interaction between environmental factors and disease dynamics present significant challenges for effective forecasting. In response, we introduce CAPE, a novel epidemic pre-training framework designed to harness extensive disease datasets from diverse regions and integrate environmental factors directly into the modeling process for more informed decision-making on downstream diseases. Based on a covariate adjustment framework, CAPE utilizes pre-training combined with hierarchical environment contrasting to identify universal patterns across diseases while estimating latent environmental influences. We have compiled a diverse collection of epidemic time series datasets and validated the effectiveness of CAPE under various evaluation scenarios, including full-shot, few-shot, zero-shot, cross-location, and cross-disease settings, where it outperforms the leading baseline by an average of 9.9% in full-shot and 14.3% in zero-shot settings. The code will be released upon acceptance.
• Abstract（参考訳）: 感染経路の正確な予測は公衆衛生の保護に不可欠である。 しかし, 発生に伴うデータ可用性の制限や, 環境要因と病気のダイナミックスとの複雑な相互作用は, 効果的な予測に重大な課題をもたらしている。 そこで本研究では,多様な地域から発生した広範囲な疾患データセットを活用し,環境要因を直接モデリングプロセスに統合し,下流病のより深い意思決定を行うための新しい流行事前学習フレームワークであるCAPEを紹介した。 共変量調整の枠組みに基づき、CAPEは、潜在環境の影響を推定しながら、疾患の普遍的なパターンを識別するのと対照的な階層的な環境と事前訓練を併用する。 我々は、さまざまな流行時系列データセットを収集し、フルショット、少数ショット、ゼロショット、クロスロケーション、クロスディスリーズ設定を含む様々な評価シナリオでCAPEの有効性を検証し、フルショットでは平均9.9%、ゼロショットでは14.3%の差でトップベースラインを上回った。 コードは受理時にリリースされます。

関連論文リスト

• Epidemic-guided deep learning for spatiotemporal forecasting of Tuberculosis outbreak [0.0]
  結核 (TB) は、複雑な伝達ダイナミクスによって引き起こされ、人口移動や行動の変化などの要因の影響を受けながら、世界的健康上の課題である。 先進的な深層学習技術と機械的疫学の原則を融合させるエピデミックガイド型深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-02-15T12:39:42Z)
• Towards the efficacy of federated prediction for epidemics on networks [5.719600613434056]
  我々は、フェデレートラーニング(FL)に基づく疫病ネットワーク上のノードレベルの予測のための一般的なプライバシレベルフレームワークを開発する。 本研究は,疫病管理におけるFLシナリオの有効性に関する実践的な知見を提供する。
  論文  参考訳（メタデータ） (2024-12-03T04:37:28Z)
• 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)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• 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)
• Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting Epidemics [2.705025060422369]
  感染性疾患は、世界中でヒトの病気や死亡の原因となっている。 感染拡大の予測は、利害関係者が目の前の状況に対処するのに役立つ。
  論文  参考訳（メタデータ） (2022-06-21T19:31:25Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• From predictions to prescriptions: A data-driven response to COVID-19 [42.57407485467993]
  新型コロナウイルスの臨床的特徴を理解するための包括的データ駆動型アプローチを提案する。 私たちは、感染や死亡のリスクを予測するために、パーソナライズされた電卓を構築します。 人工呼吸器の再配置と不足軽減のための最適化モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-30T03:34:00Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。