論文の概要: Conditional Inverse Learning of Time-Varying Reproduction Numbers Inference

• arxiv url: http://arxiv.org/abs/2603.17549v1
• Date: Wed, 18 Mar 2026 09:52:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.625879
• Title: Conditional Inverse Learning of Time-Varying Reproduction Numbers Inference
• Title（参考訳）: 時間変化再現数推論の条件逆学習
• Authors: Lanlan Yu, Quan-Hui Liu, Haoyue Zheng, Xinfu Yang,
• Abstract要約: 流行発生データから時間変化の再現数を推定することは、伝染病の監視において中心的な課題である。 本研究では,過去の発生パターンから潜在複製数への条件付きマッピングを学習することで,逆問題に対処する条件付き逆再生学習フレームワーク(CIRL)を提案する。 結果として得られた枠組みは、疫学的に根ざした制約とデータ駆動の時間的表現を結合し、観測ノイズに頑健な再生数推定を生成する。
• 参考スコア（独自算出の注目度）: 0.7367227178198079
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating time-varying reproduction numbers from epidemic incidence data is a central task in infectious disease surveillance, yet it poses an inherently ill-posed inverse problem. Existing approaches often rely on strong structural assumptions derived from epidemiological models, which can limit their ability to adapt to non-stationary transmission dynamics induced by interventions or behavioral changes, leading to delayed detection of regime shifts and degraded estimation accuracy. In this work, we propose a Conditional Inverse Reproduction Learning framework (CIRL) that addresses the inverse problem by learning a {conditional mapping} from historical incidence patterns and explicit time information to latent reproduction numbers. Rather than imposing strongly enforced parametric constraints, CIRL softly integrates epidemiological structure with flexible likelihood-based statistical modeling, using the renewal equation as a forward operator to enforce dynamical consistency. The resulting framework combines epidemiologically grounded constraints with data-driven temporal representations, producing reproduction number estimates that are robust to observation noise while remaining responsive to abrupt transmission changes and zero-inflated incidence observations. Experiments on synthetic epidemics with controlled regime changes and real-world SARS and COVID-19 data demonstrate the effectiveness of the proposed approach.
• Abstract（参考訳）: 流行発生データから時間変化の再現数を推定することは、伝染病の監視において中心的な課題であるが、本質的に不適切な逆問題を引き起こす。 既存のアプローチは、しばしば疫学モデルから派生した強い構造的仮定に依存しており、介入や行動の変化によって誘導される非定常的な伝達ダイナミクスに適応する能力を制限することができるため、状態変化の検出が遅れ、推定精度が低下する。 本研究では,過去の発生パターンと明示的な時間情報から潜在複製数までを学習することで,逆問題に対処する条件逆再現学習フレームワーク(CIRL)を提案する。 強く強制されたパラメトリックな制約を課すのではなく、CIRLはフレキシブルな可能性に基づく統計モデルと疫学的構造をソフトに統合し、更新方程式をフォワード演算子として、動的整合を強制する。 結果として得られた枠組みは、疫学的に根ざした制約とデータ駆動の時間的表現を結合し、突然の伝達変化やゼロ膨張の出現観測に応答しながら、観測ノイズに頑健な再生数推定を生成する。 コントロール体制の変更やSARS、COVID-19データによる合成流行の実験は、提案手法の有効性を実証している。

関連論文リスト

• Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood [0.0]
  本研究では,従来の単一モデルアプローチの制約を克服する目的で設計された,予測因果推論のための統合フレームワークを提案する。 具体的には、空間的健康状態推定のための隠れマルコフモデルと、時間的結果の軌跡を捉えるためのマルチタスクとマルチグラフ畳み込みネットワーク(MTGCN)を組み合わせる。 有用性を示すために,がん,認知症,パーキンソン病などの臨床領域に焦点を当て,治療効果を直接観察することが困難である。
  論文  参考訳（メタデータ） (2025-07-11T03:11:15Z)
• 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)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• SPADE4: Sparsity and Delay Embedding based Forecasting of Epidemics [2.578242050187029]
  流行予測のためのSPADE4(Sprsity and Delay Embedding based Forecasting)を提案する。 本手法は,シミュレーションデータと実データの両方に適用した場合,コンパートメンタルモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-11T23:39:48Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• 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)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)

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。