論文の概要: Learning from Neighbors with PHIBP: Predicting Infectious Disease Dynamics in Data-Sparse Environments

• arxiv url: http://arxiv.org/abs/2512.21005v1
• Date: Wed, 24 Dec 2025 07:10:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.709812
• Title: Learning from Neighbors with PHIBP: Predicting Infectious Disease Dynamics in Data-Sparse Environments
• Title（参考訳）: PHIBPの隣人から学ぶ:データ・スパース環境における感染症の動態予測
• Authors: Edwin Fong, Lancelot F. James, Juho Lee,
• Abstract要約: 本稿では,Poisson Hierarchical Indian Buffet Process(PHIBP)の詳細な計算フレームワークと実験応用について述べる。 PHIBPのアーキテクチャは絶対存在感の概念に基づいており、関連する地域から統計的強度を体系的に借用し、相対レート法の既知の感度をゼロカウントに回避している。 この原理は、一貫性のある予測分布を生成するための堅牢な基盤と、アルファやベータの多様性のような比較尺度を効果的に活用するための基盤を提供することを示す。
• 参考スコア（独自算出の注目度）: 14.991529825278477
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling sparse count data, which arise across numerous scientific fields, presents significant statistical challenges. This chapter addresses these challenges in the context of infectious disease prediction, with a focus on predicting outbreaks in geographic regions that have historically reported zero cases. To this end, we present the detailed computational framework and experimental application of the Poisson Hierarchical Indian Buffet Process (PHIBP), with demonstrated success in handling sparse count data in microbiome and ecological studies. The PHIBP's architecture, grounded in the concept of absolute abundance, systematically borrows statistical strength from related regions and circumvents the known sensitivities of relative-rate methods to zero counts. Through a series of experiments on infectious disease data, we show that this principled approach provides a robust foundation for generating coherent predictive distributions and for the effective use of comparative measures such as alpha and beta diversity. The chapter's emphasis on algorithmic implementation and experimental results confirms that this unified framework delivers both accurate outbreak predictions and meaningful epidemiological insights in data-sparse settings.
• Abstract（参考訳）: スパースカウントデータのモデリングは、多くの科学分野にまたがって起こり、重要な統計上の課題を提示している。 本章は、歴史的にゼロ例を報告した地域における流行の予測に焦点をあてて、感染症予測の文脈におけるこれらの課題に対処する。 そこで本研究では,Phisson Hierarchical Indian Buffet Process (PHIBP) の詳細な計算フレームワークと実験応用について述べる。 PHIBPのアーキテクチャは絶対存在感の概念に基づいており、関連する地域から統計的強度を体系的に借用し、相対レート法の既知の感度をゼロカウントに回避している。 感染性疾患データに関する一連の実験を通じて、この原則は、コヒーレントな予測分布の生成と、アルファやベータの多様性などの比較尺度の有効利用のための堅牢な基盤を提供することを示した。 この章はアルゴリズムの実装と実験結果に重点を置いており、この統合されたフレームワークは正確なアウトブレイク予測とデータスパース設定における意義ある疫学的洞察の両方を提供することを示している。

関連論文リスト

• Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
  予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。 提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
  論文  参考訳（メタデータ） (2025-06-06T12:43:57Z)
• 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)
• 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)
• 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)
• 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)
• TDEFSI: Theory Guided Deep Learning Based Epidemic Forecasting with Synthetic Information [8.681583244827936]
  TDEFSIは低分解能時系列データを用いて正確な高分解能予測を行う。 我々は、シーズン内とシーズン間の両方の低分解能観測を行うために、2分岐リカレントニューラルネットワークモデルを訓練する。 予測は観測データによって駆動されるが、特定の都市部の複雑な社会的、人口統計学的、地理的属性をキャプチャする。
  論文  参考訳（メタデータ） (2020-01-28T20:51:49Z)

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。