論文の概要: Cross-Country Learning for National Infectious Disease Forecasting Using European Data

• arxiv url: http://arxiv.org/abs/2601.20771v1
• Date: Wed, 28 Jan 2026 16:57:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:07.027788
• Title: Cross-Country Learning for National Infectious Disease Forecasting Using European Data
• Title（参考訳）: 欧州データを用いた全国感染症予測のためのクロスカウンタリーラーニング
• Authors: Zacharias Komodromos, Kleanthis Malialis, Artemis Kontou, Panayiotis Kolios,
• Abstract要約: 本研究では,感染予測のためのクロスカントリー学習手法について検討し,複数の国の時系列データに基づいて1つのモデルを訓練した。 我々は,ヨーロッパ諸国の監視データを用いて,キプロスにおける新型コロナウイルス感染予測のケーススタディを通じて,本手法を検証した。 以上の結果から,他国からのデータを取り入れることで,国内データのみをトレーニングしたモデルよりも一貫した改善がもたらされることが示唆された。
• 参考スコア（独自算出の注目度）: 2.22825081715888
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate forecasting of infectious disease incidence is critical for public health planning and timely intervention. While most data-driven forecasting approaches rely primarily on historical data from a single country, such data are often limited in length and variability, restricting the performance of machine learning (ML) models. In this work, we investigate a cross-country learning approach for infectious disease forecasting, in which a single model is trained on time series data from multiple countries and evaluated on a country of interest. This setting enables the model to exploit shared epidemic dynamics across countries and to benefit from an enlarged training set. We examine this approach through a case study on COVID-19 case forecasting in Cyprus, using surveillance data from European countries. We evaluate multiple ML models and analyse the impact of the lookback window length and cross-country `data augmentation' on multi-step forecasting performance. Our results show that incorporating data from other countries can lead to consistent improvements over models trained solely on national data. Although the empirical focus is on Cyprus and COVID-19, the proposed framework and findings are applicable to infectious disease forecasting more broadly, particularly in settings with limited national historical data.
• Abstract（参考訳）: 感染症発生の正確な予測は、公衆衛生計画やタイムリーな介入に不可欠である。 ほとんどのデータ駆動予測アプローチは、主に単一国の歴史的データに依存しているが、そのようなデータは長さと可変性に制限され、機械学習(ML)モデルの性能が制限されることが多い。 本研究では,複数の国の時系列データに基づいて単一モデルを訓練し,関心のある国で評価する,感染症予測のためのクロスカントリー学習手法について検討する。 この設定により、モデルは国間で共有伝染病のダイナミクスを活用でき、拡大したトレーニングセットの恩恵を受けることができる。 我々は,ヨーロッパ諸国の監視データを用いて,キプロスにおける新型コロナウイルス感染予測のケーススタディを通じて,本手法を検証した。 複数のMLモデルを評価し,マルチステップ予測性能に対するルックバックウィンドウ長とクロスカントリー 'データ拡張' の影響を解析した。 以上の結果から,他国からのデータを取り入れることで,国内データのみをトレーニングしたモデルよりも一貫した改善がもたらされることが示唆された。 実証的な焦点はキプロスとCOVID-19だが、提案された枠組みと発見は、特に国の歴史的データに限られる状況において、より広範囲にわたる感染症の予測に当てはまる。

関連論文リスト

• A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19 [0.6874745415692134]
  本稿では,感染症予測の課題に対処する新しいアプローチを提案する。 本稿では,複数の情報源からの情報を活用するマルチラテラルアテンション強化型GRUモデルを提案する。 GRUフレームワークに注意機構を組み込むことで、我々のモデルはデータ内の複雑な関係や時間的依存を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-08-26T06:31:53Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• 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)
• Measuring Causal Effects of Data Statistics on Language Model's `Factual' Predictions [59.284907093349425]
  大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。 トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。 我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
  論文  参考訳（メタデータ） (2022-07-28T17:36:24Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• 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)
• Deep learning via LSTM models for COVID-19 infection forecasting in India [13.163271874039191]
  卓越した計算モデルと数学的モデルは、感染の拡散の複雑さのために信頼性が低い。 リカレントニューラルネットワークのようなディープラーニングモデルは、時間的シーケンスをモデル化するのに適している。 感染率の面では、新型コロナウイルスのホットポットを持つ州を選択し、感染の有無やピークに達した州と比較する。 以上の結果から,他の国や地域での手法の適用を動機づける長期予測が期待されていることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T09:19:10Z)
• Learning to Forecast and Forecasting to Learn from the COVID-19 Pandemic [10.796851110372593]
  疫病モデルのためのヒトの移動性を考慮した異種感染率モデルを提案する。 モデルを線形化し、重み付けされた最小二乗を用いることで、我々のモデルは変化傾向に迅速に適応できる。 疫病の初期には、旅行データを用いて予測が増加することが示されている。
  論文  参考訳（メタデータ） (2020-04-23T07:25:46Z)

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。