論文の概要: MiCA: A Mobility-Informed Causal Adapter for Lightweight Epidemic Forecasting
- arxiv url: http://arxiv.org/abs/2601.11089v1
- Date: Fri, 16 Jan 2026 08:41:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-19 20:21:50.412505
- Title: MiCA: A Mobility-Informed Causal Adapter for Lightweight Epidemic Forecasting
- Title（参考訳）: MiCA:軽量エピデミック予測用モビリティインフォームドカソーサルアダプタ
- Authors: Suhan Guo, Jiahong Deng, Furao Shen,
- Abstract要約: 移動データはノイズが多く、間接的であり、病気の記録と確実に統合することは困難である。
流行予測のための軽量モジュールであるMICA(Mobility-Informed Causal Adapter)を提案する。
MiCAは因果発見を通じてモビリティ関係を推論し、時間的予測モデルに統合する。
- 参考スコア（独自算出の注目度）: 7.767240728772616
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Accurate forecasting of infectious disease dynamics is critical for public health planning and intervention. Human mobility plays a central role in shaping the spatial spread of epidemics, but mobility data are noisy, indirect, and difficult to integrate reliably with disease records. Meanwhile, epidemic case time series are typically short and reported at coarse temporal resolution. These conditions limit the effectiveness of parameter-heavy mobility-aware forecasters that rely on clean and abundant data. In this work, we propose the Mobility-Informed Causal Adapter (MiCA), a lightweight and architecture-agnostic module for epidemic forecasting. MiCA infers mobility relations through causal discovery and integrates them into temporal forecasting models via gated residual mixing. This design allows lightweight forecasters to selectively exploit mobility-derived spatial structure while remaining robust under noisy and data-limited conditions, without introducing heavy relational components such as graph neural networks or full attention. Extensive experiments on four real-world epidemic datasets, including COVID-19 incidence, COVID-19 mortality, influenza, and dengue, show that MiCA consistently improves lightweight temporal backbones, achieving an average relative error reduction of 7.5\% across forecasting horizons. Moreover, MiCA attains performance competitive with SOTA spatio-temporal models while remaining lightweight.
- Abstract（参考訳）: 感染症のダイナミクスの正確な予測は、公衆衛生計画と介入にとって重要である。
人の移動性は、疫病の空間的広がりを形作る上で中心的な役割を果たすが、移動性データはノイズが多く、間接的であり、病気の記録と確実に統合することは困難である。
一方、流行のケース・タイム・シリーズは通常短く、粗い時間分解能で報告される。
これらの条件は、クリーンで豊富なデータに依存するパラメータ重のモビリティ対応予測器の有効性を制限する。
本研究では,流行予測のための軽量かつアーキテクチャに依存しないモジュールであるMiCAを提案する。
MiCAは因果発見を通じて移動関係を推論し、ゲート残留混合による時間予測モデルに統合する。
この設計により、グラフニューラルネットワークやフルアテンションのような重いリレーショナルコンポーネントを導入することなく、ノイズやデータ制限条件下で頑健な状態を維持しながら、モビリティから派生した空間構造を選択的に活用することができる。
新型コロナウイルスの流行率、新型コロナウイルスの死亡率、インフルエンザ、デングなど、現実世界の4つの流行データセットに対する大規模な実験は、MiCAが常に軽量の側頭骨を改善し、予測地平線を平均して7.5\%の相対誤差を減らしていることを示している。
さらに、MICAは軽量のままSOTA時空間モデルと競合する性能を得る。
関連論文リスト
- Enhancing Spatio-Temporal Forecasting with Spatial Neighbourhood Fusion:A Case Study on COVID-19 Mobility in Peru [2.6983054732688045]
ペルーのDCT(Digital Contact)アプリケーションから収集した大規模なデータセットを利用して、都市部におけるモビリティフローを予測する。
重要な課題は、ヘキサゴナルグリッドセル間の時空移動数の空間的間隔にある。
本稿では,各セルの特徴をH3近傍からの集約信号で拡張する,軽量でモデルに依存しない近傍核融合(SPN)技術を提案する。
論文 参考訳（メタデータ） (2025-06-17T23:51:36Z) - Integrating Spatiotemporal Features in LSTM for Spatially Informed COVID-19 Hospitalization Forecasting [1.0905169282633254]
本研究は、米国における毎日の国家レベルの入院を予測するための、並列ストリーム長短期記憶(LSTM)フレームワークを提案する。
当社のフレームワークには,Metaのソーシャル・コネクテッドネス・インデックス(Social Connectedness Index)から派生した,入院に対する社会的親和性(Social Proximity to Hospitalizations,SPH)という特徴が組み込まれている。
我々のアーキテクチャは、短期的および長期的両方の時間的依存関係をキャプチャし、マルチホライゾン・アンサンブル・ストラテジーは一貫性とエラーのバランスをとる。
論文 参考訳（メタデータ） (2025-06-06T05:22:11Z) - Enhancing Epidemic Forecasting: Evaluating the Role of Mobility Data and Graph Convolutional Networks [9.460023981858319]
本研究は,機械学習アルゴリズムと疫学応用とのギャップに対処する。
まず、パイロットスタディを通じてモビリティデータの重要性を評価し、次に、トランスフォーマーバックボーンに対するグラフ畳み込みネットワーク(GCN)の影響を評価する。
以上の結果から, 移動データとGCNモジュールは予測性能を著しく向上させるものではないが, 死亡率と入院率のデータはモデル精度を著しく向上させることが明らかとなった。
論文 参考訳（メタデータ） (2025-05-20T12:23:18Z) - Unifying Physics- and Data-Driven Modeling via Novel Causal Spatiotemporal Graph Neural Network for Interpretable Epidemic Forecasting [4.791960848500047]
本稿では,感染症の時間動態をモデル化する新しいCSTG(Causpatioal Neural Graph Network)フレームワークを提案する。
適応的な静的接続グラフを用いて、人間の移動性の安定な成分を表現し、これらのパターンの中で時間的ダイナミクスモデルゆらぎを利用する。
我々は,中国の地方レベルとドイツの州レベルで実世界のデータセットを用いて,我々のモデルを検証した。
論文 参考訳（メタデータ） (2025-04-07T14:46:11Z) - 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) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - 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) - 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) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z)
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。