論文の概要: Spatiotemporal Transformers for Predicting Avian Disease Risk from Migration Trajectories

• arxiv url: http://arxiv.org/abs/2510.15254v1
• Date: Fri, 17 Oct 2025 02:33:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.443027
• Title: Spatiotemporal Transformers for Predicting Avian Disease Risk from Migration Trajectories
• Title（参考訳）: 移動軌道からの鳥病リスク予測のための時空間変換器
• Authors: Dingya Feng, Dingyuan Xue,
• Abstract要約: 本研究は,渡り鳥軌道の終点における感染リスクを予測するためのトランスフォーマーベースのフレームワークを提案する。 我々は、Movebankのデータ、World for Animal Healthのアウトブレイク記録など、マルチソースの地理空間データセットを統合する。 このモデルは、鳥の動きシーケンスから依存を学習し、病気のリスクを見積もる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasting of avian disease outbreaks is critical for wildlife conservation and public health. This study presents a Transformer-based framework for predicting the disease risk at the terminal locations of migratory bird trajectories. We integrate multi-source datasets, including GPS tracking data from Movebank, outbreak records from the World Organisation for Animal Health (WOAH), and geospatial context from GADM and Natural Earth. The raw coordinates are processed using H3 hierarchical geospatial encoding to capture spatial patterns. The model learns spatiotemporal dependencies from bird movement sequences to estimate endpoint disease risk. Evaluation on a held-out test set demonstrates strong predictive performance, achieving an accuracy of 0.9821, area under the ROC curve (AUC) of 0.9803, average precision (AP) of 0.9299, and an F1-score of 0.8836 at the optimal threshold. These results highlight the potential of Transformer architectures to support early-warning systems for avian disease surveillance, enabling timely intervention and prevention strategies.
• Abstract（参考訳）: 鳥の病気の発生の正確な予測は、野生生物の保護と公衆衛生にとって重要である。 本研究は,渡り鳥軌道の終点における感染リスクを予測するためのトランスフォーマーベースのフレームワークを提案する。 我々は、MovebankのGPS追跡データ、WOAH(World Organisation for Animal Health)のアウトブレイク記録、GADMとNatural Earthの地理空間コンテキストを含むマルチソースデータセットを統合する。 原座標は、H3階層地理空間符号化を用いて処理され、空間パターンをキャプチャする。 このモデルは、鳥の動きシーケンスから時空間的依存関係を学習し、エンドポイントの病気リスクを推定する。 ホールドアウトテストセットの評価は強い予測性能を示し、精度0.9821、精度0.9803、平均精度0.9299、F1スコア0.8836である。 これらの結果は、トランスフォーマーアーキテクチャーが早期警戒システムをサポートし、鳥の病気の監視を支援し、タイムリーな介入と予防戦略を可能にする可能性を浮き彫りにしている。

関連論文リスト

• Predictive Modeling and Explainable AI for Veterinary Safety Profiles, Residue Assessment, and Health Outcomes Using Real-World Data and Physicochemical Properties [4.53318808068234]
  逆事象(AEs)は、予期せぬまたは毒性の運動作用を示し、食物連鎖の違反的残基のリスクを増大させる。 本研究は,米国食品医薬品局(FDA)の獣医学センターからの128万件の報告を用いて,結果の分類(死対回復)を行うための予測的枠組みを紹介する。
  論文  参考訳（メタデータ） (2025-10-01T23:34:46Z)
• GRID: Graph-based Reasoning for Intervention and Discovery in Built Environments [0.31096636737010974]
  商業ビルにおける手動のHVAC故障診断には、インシデント毎に8～12時間かかり、診断精度は60%に過ぎません。 本稿では,制約に基づく探索,ニューラル構造方程式モデリング,言語モデルなどを組み合わせた3段階の因果探索パイプラインGRIDについて述べる。 このフレームワークは制約ベースの手法、ニューラルアーキテクチャ、ドメイン固有の言語モデルを統合し、分析を構築する際の観察と因果的なギャップに対処する。
  論文  参考訳（メタデータ） (2025-09-19T20:19:48Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• AI-Driven Real-Time Monitoring of Ground-Nesting Birds: A Case Study on Curlew Detection Using YOLOv10 [0.07255608805275862]
  本研究は,カリュー(Numenius arquata)に着目したAIによるリアルタイム種検出手法を提案する。 カスタムトレーニングされたYOLOv10モデルは、Create AIプラットフォームにリンクされた3/4G対応カメラを使用して、カリューとそのニワトリを検知し、分類するために開発された。 ウェールズの11箇所で、このモデルは高い性能を達成し、感度は90.56%、特異度は100%、F1スコアは95.05%だった。
  論文  参考訳（メタデータ） (2024-11-22T10:36:29Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Modeling the geospatial evolution of COVID-19 using spatio-temporal convolutional sequence-to-sequence neural networks [48.7576911714538]
  ポルトガルは世界最大の発生率を持つ国であり、人口10万人当たりの14日間の発生率が1000を超える。 その重要性にもかかわらず、covid-19の地理空間的進化の正確な予測は依然として課題である。
  論文  参考訳（メタデータ） (2021-05-06T15:24:00Z)
• Bird-Area Water-Bodies Dataset (BAWD) and Predictive AI Model for Avian Botulism Outbreak (AVI-BoT) [2.256029843933312]
  細菌であるClostridium botulinumによって引き起こされる鳥のボツリヌス症は、鳥類の麻痺性疾患を引き起こす。 本研究では,グローバル・バードエリア・ウォーターボディーズ・データセットを用いた,初のマルチスペクトル・リモートセンシング画像を構築した。 本稿では,AVI-BoT と呼ばれる鳥類のボツリヌスの発生を予測するためのAIモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-03T15:00:12Z)
• 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)
• Ensemble Forecasting of the Zika Space-TimeSpread with Topological Data Analysis [13.838100337224075]
  ジカウイルスは、主にAedes aegyptiとAedes albopictusの蚊に噛まれて伝染する。 その結果、ジカウイルス感染の頻度は、降水量、高温、人口密度の高い地域では一般的である。 累積ベティ数の概念を導入し,その累積ベティ数をトポロジカル記述子として3つの機械学習モデルに統合する。
  論文  参考訳（メタデータ） (2020-09-24T16:42:19Z)

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。