論文の概要: EpiLLM: Unlocking the Potential of Large Language Models in Epidemic Forecasting

• arxiv url: http://arxiv.org/abs/2505.12738v1
• Date: Mon, 19 May 2025 05:53:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.429184
• Title: EpiLLM: Unlocking the Potential of Large Language Models in Epidemic Forecasting
• Title（参考訳）: EpiLLM: エピデミック予測における大規模言語モデルの可能性を解き放つ
• Authors: Chenghua Gong, Rui Sun, Yuhao Zheng, Juyuan Zhang, Tianjun Gu, Liming Pan, Linyuan Lv,
• Abstract要約: 大規模言語モデル(LLM)は、ドメイン固有のタスクの基礎モデルとして有効であることを示した。 EpiLLMの最近の進歩は、現実世界のCOVID-19データセットの既存の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）: 2.9557992468454533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced epidemic forecasting is critical for enabling precision containment strategies, highlighting its strategic importance for public health security. While recent advances in Large Language Models (LLMs) have demonstrated effectiveness as foundation models for domain-specific tasks, their potential for epidemic forecasting remains largely unexplored. In this paper, we introduce EpiLLM, a novel LLM-based framework tailored for spatio-temporal epidemic forecasting. Considering the key factors in real-world epidemic transmission: infection cases and human mobility, we introduce a dual-branch architecture to achieve fine-grained token-level alignment between such complex epidemic patterns and language tokens for LLM adaptation. To unleash the multi-step forecasting and generalization potential of LLM architectures, we propose an autoregressive modeling paradigm that reformulates the epidemic forecasting task into next-token prediction. To further enhance LLM perception of epidemics, we introduce spatio-temporal prompt learning techniques, which strengthen forecasting capabilities from a data-driven perspective. Extensive experiments show that EpiLLM significantly outperforms existing baselines on real-world COVID-19 datasets and exhibits scaling behavior characteristic of LLMs.
• Abstract（参考訳）: 先進的な流行予測は、精密な封じ込め戦略の実現に不可欠であり、公衆衛生に対する戦略的重要性を強調している。 近年のLarge Language Models (LLMs) の進歩は、ドメイン固有タスクの基礎モデルとしての有効性を示しているが、その流行予測の可能性はほとんど解明されていない。 本稿では,時空間の流行予測に適した新しいLLMベースのフレームワークであるEpiLLMを紹介する。 感染事例と人体移動性という,現実世界の伝染病伝播の要因を考慮し,これらの複雑な流行パターンとLLM適応のための言語トークンとの微粒化トークンレベルアライメントを実現するために,二重ブランチアーキテクチャを導入する。 LLMアーキテクチャの多段階予測と一般化ポテンシャルを解き放つために, 流行予測タスクを次々に予測に変換する自己回帰モデリングパラダイムを提案する。 疫病のLLM知覚をさらに高めるために,データ駆動の観点から予測能力を増強する時空間的即時学習技術を導入する。 大規模な実験により、EpiLLMは現実世界のCOVID-19データセットの既存のベースラインを著しく上回り、LLMのスケーリング特性を示すことが示された。

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)
• Investigating the Zone of Proximal Development of Language Models for In-Context Learning [59.91708683601029]
  大規模言語モデル(LLM)の文脈内学習(ICL)の振る舞いを分析するための学習分析フレームワークを提案する。 我々は,各例のモデル性能に基づいて,LLMのZPDを測定することにより,ZPD理論をICLに適用する。 本研究はICLの複雑な多面的動作を明らかにし,この手法の理解と活用に関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2025-02-10T19:36:21Z)
• 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)
• Epidemic Information Extraction for Event-Based Surveillance using Large Language Models [2.1679642267617756]
  本稿では, 人工知能と大規模言語モデル(LLM)の力を活用した, 流行監視の新しいアプローチを提案する。 LLMは、パンデミックのモデリングと予測の精度とスケジュールを大幅に向上させ、将来のパンデミックイベントを管理するための有望なツールを提供する。
  論文  参考訳（メタデータ） (2024-08-26T13:53:04Z)
• 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)
• Unveiling the Misuse Potential of Base Large Language Models via In-Context Learning [61.2224355547598]
  大規模言語モデル(LLM)のオープンソース化は、アプリケーション開発、イノベーション、科学的進歩を加速させる。 我々の調査は、この信念に対する重大な監視を露呈している。 我々の研究は、慎重に設計されたデモを配置することにより、ベースLSMが悪意のある命令を効果的に解釈し実行できることを実証する。
  論文  参考訳（メタデータ） (2024-04-16T13:22:54Z)
• Advancing Real-time Pandemic Forecasting Using Large Language Models: A COVID-19 Case Study [39.70947911556511]
  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。
  論文  参考訳（メタデータ） (2024-04-10T12:22:03Z)
• 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)
• 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)
• 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)

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。