論文の概要: CrossLag: Predicting Major Dengue Outbreaks with a Domain Knowledge Informed Transformer

• arxiv url: http://arxiv.org/abs/2510.03566v1
• Date: Fri, 03 Oct 2025 23:30:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.117442
• Title: CrossLag: Predicting Major Dengue Outbreaks with a Domain Knowledge Informed Transformer
• Title（参考訳）: CrossLag: ドメイン知識をインフォームした変換器でデングアウトブレイクを予測
• Authors: Ashwin Prabu, Nhat Thanh Tran, Guofa Zhou, Jack Xin,
• Abstract要約: 環境に配慮したCrossLagを導入し、データ内の重要な事象の背後にある内因性シグナルを遅延させることを可能にします。 提案モデルでは,24週間の予測ウィンドウ上でのシンガポールのデング大流行の検出と予測において,TimeXerよりかなり優れていた。
• 参考スコア（独自算出の注目度）: 1.9132624817489867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A variety of models have been developed to forecast dengue cases to date. However, it remains a challenge to predict major dengue outbreaks that need timely public warnings the most. In this paper, we introduce CrossLag, an environmentally informed attention that allows for the incorporation of lagging endogenous signals behind the significant events in the exogenous data into the architecture of the transformer at low parameter counts. Outbreaks typically lag behind major changes in climate and oceanic anomalies. We use TimeXer, a recent general-purpose transformer distinguishing exogenous-endogenous inputs, as the baseline for this study. Our proposed model outperforms TimeXer by a considerable margin in detecting and predicting major outbreaks in Singapore dengue data over a 24-week prediction window.
• Abstract（参考訳）: デングのケースを予測するために、様々なモデルが開発されている。 しかし、最もタイムリーな公衆の警告を必要とする大規模なデング熱の流行を予測することは依然として課題である。 本稿では、環境に配慮したCrossLagを紹介し、低パラメータ数でトランスフォーマーのアーキテクチャに外因性データの重要な事象の背後にある内因性信号が組み込まれるようにする。 典型的なアウトブレイクは、気候や海洋異常の大きな変化の遅れである。 本研究のベースラインは、外因性内因性入力を区別する最近の汎用変換器であるTimeXerである。 提案モデルでは,24週間の予測ウィンドウ上でのシンガポールのデング大流行の検出と予測において,TimeXerよりかなり優れていた。

関連論文リスト

• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Early detection of disease outbreaks and non-outbreaks using incidence data [9.155744274374506]
  我々は、アウトブレイクやアウトブレイクを正確に予測する、現実世界のトレーニングデータを持たない一般的なモデルを開発する。 アウトブレイクとアウトブレイクを区別する統計的特徴は,アウトブレイクが起こるずっと前から存在する。 人工的なデータセットと実世界のデータセットの違いは、発生のずっと前に検出できる。
  論文  参考訳（メタデータ） (2024-04-13T03:57:14Z)
• FWin transformer for dengue prediction under climate and ocean influence [1.6114012813668932]
  デング熱は最も致命的な蚊由来の熱帯感染症の1つである。 本研究では,長期予測のためのデング症例の予測法について検討した。
  論文  参考訳（メタデータ） (2024-03-10T19:20:55Z)
• TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables [75.83318701911274]
  TimeXerは外部情報を取り込み、内因性変数の予測を強化する。 TimeXerは、12の現実世界の予測ベンチマークで一貫した最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-29T11:54:35Z)
• A spatiotemporal machine learning approach to forecasting COVID-19 incidence at the county level in the United States [2.9822184411723645]
  本稿では,米国内の郡レベルでの新型コロナウイルスの流行を予測するための,長期記憶アーキテクチャに基づくデータ駆動型モデルであるCOVID-LSTMを提案する。 われわれは、時間的入力として毎週の新規症例数と、Facebookのハンドエンジニアリングによる空間的特徴を用いて、疾患の時間的および空間的拡散を捉えている。 4週間の予測で、私たちのモデルは平均50のケースで、COVIDhubアンサンブルよりも正確です。
  論文  参考訳（メタデータ） (2021-09-24T17:40:08Z)
• Gaussian Process Nowcasting: Application to COVID-19 Mortality Reporting [2.8712862578745018]
  計測過程の遅延による信号の観測の更新は、信号処理において一般的な問題である。 本稿では,報告時間遅延面に存在する自己相関構造の変化を記述可能な潜在ガウス過程を用いた柔軟なアプローチを提案する。 このアプローチは、現在予測されている死者数に対する不確実性の堅牢な推定も生み出す。
  論文  参考訳（メタデータ） (2021-02-22T18:32:44Z)
• 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)

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。