論文の概要: Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics
- arxiv url: http://arxiv.org/abs/2603.07108v1
- Date: Sat, 07 Mar 2026 08:38:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:13.812788
- Title: Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics
- Title（参考訳）: エピデミクスの確率的予測のための時間的深部生成
- Authors: Rajdeep Pathak, Tanujit Chakraborty,
- Abstract要約: しばしば、モデルによって生成されたポイント予測は、将来の流行の出来事に不確実性を割り当てるには信頼できない。
本稿では,低頻度流行データセット上での高精度で信頼性の高い確率予測を生成するための深層分析手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and reliable forecasting of epidemic incidences is critical for public health preparedness, yet it remains a challenging task due to complex nonlinear temporal dependencies and heterogeneous spatial interactions. Often, point forecasts generated by spatiotemporal models are unreliable in assigning uncertainty to future epidemic events. Probabilistic forecasting of epidemics is therefore crucial for providing the best or worst-case scenarios rather than a simple, often inaccurate, point estimate. We present deep spatiotemporal engression methods to generate accurate and reliable probabilistic forecasts on low-frequency epidemic datasets. The proposed methods act as distributional lenses, and out-of-sample probabilistic forecasts are generated by sampling from the trained models. Our frameworks encapsulate lightweight deep generative architectures, wherein uncertainty is quantified endogenously, driven by a pre-additive noise component during model construction. We establish geometric ergodicity and asymptotic stationarity of the spatiotemporal engression processes under mild assumptions on the network weights and pre-additive noise process. Comprehensive evaluations across six epidemiological datasets over three forecast horizons demonstrate that the proposal consistently outperforms several temporal and spatiotemporal benchmarks in both point and probabilistic forecasting. Additionally, we explore the explainability of the proposal to enhance the models' practical application for informed, timely public health interventions.
- Abstract（参考訳）: 流行発生の正確な予測は、公衆衛生の準備には不可欠であるが、複雑な非線形時間的依存関係と不均一な空間的相互作用のため、依然として難しい課題である。
時空間モデルによって生成された点予測は、将来の流行に不確実性を与えるには信頼できないことが多い。
したがって、感染の確率的予測は、単純でしばしば不正確なポイント推定ではなく、最良のシナリオまたは最悪のシナリオを提供するために重要である。
低頻度流行データセットの正確かつ信頼性の高い確率予測を生成するために, 深部時空間エングレス法を提案する。
提案手法は, 分布レンズとして機能し, トレーニングされたモデルからのサンプリングにより, サンプル外確率予測を生成する。
我々のフレームワークは、モデル構築中に付加的なノイズ成分によって、不確実性が不均一に定量化される軽量な深層生成アーキテクチャをカプセル化している。
ネットワーク重みと付加的雑音過程を軽度に仮定して,時空間展開過程の幾何学的エルゴディディティと漸近的定常性を確立する。
3つの予測地平線上での6つの疫学的データセットの総合的な評価は、この提案が点と確率予測の両方において時間的および時空間的ベンチマークを一貫して上回っていることを示している。
さらに,本提案の具体的応用をタイムリーかつタイムリーな公衆衛生介入に活用するための説明可能性についても検討した。
関連論文リスト
- Evidential time-to-event prediction with calibrated uncertainty quantification [12.446406577462069]
Time-to-event分析は、臨床予後と治療勧告に関する洞察を提供する。
本稿では,時間とイベントの予測に特化して設計された明らかな回帰モデルを提案する。
我々のモデルは正確かつ信頼性の高い性能を提供し、最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2024-11-12T15:06:04Z) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳（メタデータ） (2023-10-25T02:37:51Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2023-10-17T20:30:16Z) - Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
不確実性は時系列予測タスクに不可欠な考慮事項である。
本研究では,交通予測の不確かさの定量化に焦点をあてる。
STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
論文 参考訳（メタデータ） (2022-08-11T15:21:53Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2022-06-16T06:13:53Z) - Robust Probabilistic Time Series Forecasting [20.235389891676512]
本稿では,頑健な確率的時系列予測のためのフレームワークを提案する。
逆入力摂動の概念を一般化し、境界ワッサーシュタイン偏差の項でロバストネスの概念を定式化する。
本手法は,加法的対向攻撃による予測品質の向上と雑音観測の補足による予測整合性向上に実証的に有効である。
論文 参考訳（メタデータ） (2022-02-24T05:46:26Z) - Probabilistic Forecasting with Generative Networks via Scoring Rule
Minimization [5.5643498845134545]
生成ニューラルネットワークを用いて高次元空間上の分布をパラメトリズする。
生成ネットワークをトレーニングし、関心の現象の時間的シーケンスの記録に基づいて、予測順序(または前順序)のスコアリングルールを最小化する。
本手法は,特に確率的キャリブレーションにおいて,最先端の対角法よりも優れている。
論文 参考訳（メタデータ） (2021-12-15T15:51:12Z) - RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。
本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。
粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
論文 参考訳（メタデータ） (2021-06-10T21:49:23Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z)
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。