論文の概要: Deep learning framework for predicting stochastic take-off and die-out of early spreading

• arxiv url: http://arxiv.org/abs/2510.04574v1
• Date: Mon, 06 Oct 2025 08:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.747342
• Title: Deep learning framework for predicting stochastic take-off and die-out of early spreading
• Title（参考訳）: 早期拡散の確率的離陸・終了予測のためのディープラーニングフレームワーク
• Authors: Wenchao He, Tao Jia,
• Abstract要約: 大規模なアウトブレイクは、人間の社会に重大な脅威をもたらす。 新型コロナウイルスの流行が大きな流行に発展するか、それとも自然に絶滅するかという問題は、いまだに未解決のままだ。 本稿では,初期感染発生が大流行に拡大するかどうかを予測するための最初の体系的枠組みを紹介する。
• 参考スコア（独自算出の注目度）: 3.3147247892604708
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale outbreaks of epidemics, misinformation, or other harmful contagions pose significant threats to human society, yet the fundamental question of whether an emerging outbreak will escalate into a major epidemic or naturally die out remains largely unaddressed. This problem is challenging, partially due to inadequate data during the early stages of outbreaks and also because established models focus on average behaviors of large epidemics rather than the stochastic nature of small transmission chains. Here, we introduce the first systematic framework for forecasting whether initial transmission events will amplify into major outbreaks or fade into extinction during early stages, when intervention strategies can still be effectively implemented. Using extensive data from stochastic spreading models, we developed a deep learning framework that predicts early-stage spreading outcomes in real-time. Validation across Erd\H{o}s-R\'enyi and Barab\'asi-Albert networks with varying infectivity levels shows our method accurately forecasts stochastic spreading events well before potential outbreaks, demonstrating robust performance across different network structures and infectivity scenarios.To address the challenge of sparse data during early outbreak stages, we further propose a pretrain-finetune framework that leverages diverse simulation data for pretraining and adapts to specific scenarios through targeted fine-tuning. The pretrain-finetune framework consistently outperforms baseline models, achieving superior performance even when trained on limited scenario-specific data. To our knowledge, this work presents the first framework for predicting stochastic take-off versus die-out. This framework provides valuable insights for epidemic preparedness and public health decision-making, enabling more informed early intervention strategies.
• Abstract（参考訳）: 大規模な流行、誤報、その他の有害な伝染病は、人間の社会に重大な脅威をもたらすが、新興の流行が大規模な流行にエスカレートするか、あるいは自然に絶滅するかという根本的な問題は、ほとんど未解決のままである。 この問題は、アウトブレイクの初期段階におけるデータが不十分であることや、小規模のトランスミッションチェーンの確率的な性質よりも、大規模な流行の平均的な行動に焦点を当てていることから、部分的には困難である。 ここでは、介入戦略を効果的に実施可能な初期段階において、初期送信イベントが大規模なアウトブレイクに増幅されるか、あるいは消滅するかどうかを予測するための最初の体系的枠組みを紹介する。 確率的拡散モデルから得られた広範なデータを用いて,早期拡散結果をリアルタイムに予測するディープラーニングフレームワークを開発した。 Erd\H{o}s-R\'enyi と Barab\asi-Albert ネットワーク間のバリデーションにより,感染発生前の確率的拡散現象を正確に予測し,ネットワーク構造や感染シナリオの堅牢性を示す。 Pretrain-finetuneフレームワークはベースラインモデルよりも一貫して優れており、限られたシナリオ固有のデータでトレーニングしても優れたパフォーマンスを実現している。 我々の知る限り、この研究は確率的離陸とダイアウトを予測するための最初のフレームワークを提示します。 この枠組みは、疫病の予防と公衆衛生決定のための貴重な洞察を与え、より情報に富んだ早期介入戦略を可能にします。

関連論文リスト

• Epidemic-guided deep learning for spatiotemporal forecasting of Tuberculosis outbreak [0.0]
  本稿では,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EGDL手法を提案する。 我々のフレームワークは、飽和入射率とグラフラプラシア拡散を付加したネットワーク化された感受性-感染-回復モデル(MN-SIR)に基づいて構築されている。 全国47都道府県と中国本土31県で実施したTB頻度データから,本手法が堅牢かつ正確な予測を行うことを示す。
  論文  参考訳（メタデータ） (2025-02-15T12:39:42Z)
• Pre-training Epidemic Time Series Forecasters with Compartmental Prototypes [8.716953628182742]
  本稿では,パンデミック予測のための最初のオープンソース事前学習モデルCAPEを提案する。 疫学的な課題を見落としている既存の時系列基盤モデルとは異なり、CAPEモデルは潜伏する人口状態のダイナミックスを流行させる。 17の疾患と50以上の領域にまたがる包括的なベンチマークでは、CAPEはゼロショット、少数ショット、フルショット予測において、強いベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-02-05T17:29:36Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Performative Time-Series Forecasting [64.03865043422597]
  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)
• 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)
• Simulation of Covid-19 epidemic evolution: are compartmental models really predictive? [0.0]
  本稿では,無症候性および死亡個体群に富んだSIR疫学モデルが,流行の進展を確実に予測できるかどうかを論じる。 粒子群最適化(PSO)に基づく機械学習手法を提案する。 予測における散乱の分析は、モデル予測がトレーニングに使用されるデータセットのサイズに非常に敏感であり、さらにデータが必要であることを示している。
  論文  参考訳（メタデータ） (2020-04-14T08:42:11Z)

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。