論文の概要: IDOBE: Infectious Disease Outbreak forecasting Benchmark Ecosystem

• arxiv url: http://arxiv.org/abs/2604.18521v1
• Date: Mon, 20 Apr 2026 17:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:53.015059
• Title: IDOBE: Infectious Disease Outbreak forecasting Benchmark Ecosystem
• Title（参考訳）: IDOBE: ベンチマークエコシステムを予測する感染症のアウトブレイク
• Authors: Aniruddha Adiga, Jingyuan Chou, Anshul Chiranth, Bryan Lewis, Ana I. Bento, Shaun Truelove, Geoffrey Fox, Madhav Marathe, Harry Hochheiser, Srini Venkatramanan,
• Abstract要約: 疫学予測は、リアルタイム感染症の流行に不可欠な要素となっている。 本稿では,流行予測に焦点をあてた疫学的時系列の収集であるIDOBEを提案する。 IDOBEは1世紀にわたる監視と、米国の州や世界各国にまたがる複数のデータリポジトリからコンパイルされる。
• 参考スコア（独自算出の注目度）: 1.443414322584475
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Epidemic forecasting has become an integral part of real-time infectious disease outbreak response. While collaborative ensembles composed of statistical and machine learning models have become the norm for real-time forecasting, standardized benchmark datasets for evaluating such methods are lacking. Further, there is limited understanding on performance of these methods for novel outbreaks with limited historical data. In this paper, we propose IDOBE, a curated collection of epidemiological time series focused on outbreak forecasting. IDOBE compiles from multiple data repositories spanning over a century of surveillance and across U.S. states and global locations. We perform derivative-based segmentation to generate over 10,000 outbreaks covering multiple outcomes such as cases and hospitalizations for 13 diseases. We consider a variety of information-theoretic and distributional measures to quantify the epidemiological diversity of the dataset. Finally, we perform multi-horizon short-term forecasting (1- to 4-week-ahead) through the progression of the outbreak using 11 baseline models and report on their performance. In addition to standard metrics such as NMSE and MAPE for point forecasts, we include probabilistic scoring rules such as Normalized Weighted Interval Score (NWIS) to quantify the performance. We find that MLP-based methods have the most robust performance, with statistical methods having a slight edge during the pre-peak phase. IDOBE dataset along with baselines are released publicly on https://github.com/NSSAC/IDOBE to enable standardized, reproducible benchmarking of outbreak forecasting methods.
• Abstract（参考訳）: 疫学予測は、リアルタイム感染症の流行に不可欠な要素となっている。 統計的および機械学習モデルからなる協調アンサンブルは、リアルタイム予測の標準となっているが、そのような手法を評価するための標準化されたベンチマークデータセットは欠落している。 また,これらの手法は,歴史資料が限定された新たなアウトブレイクに対する性能について,限定的な理解が得られている。 本稿では,流行予測に焦点をあてた疫学的時系列の収集であるIDOBEを提案する。 IDOBEは1世紀にわたる監視と、米国の州や世界各国にまたがる複数のデータリポジトリからコンパイルされる。 患者数, 入院数など, 1万件以上のアウトブレイクを発生させるために, デリバティブベースセグメンテーションを実施している。 本研究では,データセットの疫学的多様性を定量化するための情報理論的および分布的尺度について検討する。 最後に,11のベースラインモデルを用いて,アウトブレイクの進行を経た複数水平短期予測を行い,その性能を報告する。 点予測のためのNMSEやMAPEなどの標準指標に加えて、正規化重み付きインターバルスコア(NWIS)のような確率的スコアルールも含み、性能を定量化する。 我々は,MLP法が最も頑健な手法であることを示す。 IDOBEデータセットとベースラインはhttps://github.com/NSSAC/IDOBEで公開されている。

関連論文リスト

• Learning from Neighbors with PHIBP: Predicting Infectious Disease Dynamics in Data-Sparse Environments [14.991529825278477]
  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。
  論文  参考訳（メタデータ） (2025-12-24T07:10:17Z)
• A Climate-Aware Deep Learning Framework for Generalizable Epidemic Forecasting [0.0]
  ForecastNet-XCLは、RSVのリアルタイム監視にアクセスすることなく、気候や時間データに基づいて、100週間前の正確なRSV予測を生成する。 ForecastNet-XCLは、統計ベースライン、個々のニューラルネット、および従来のアンサンブル手法を、内部およびクロスステートのシナリオで確実に上回った。
  論文  参考訳（メタデータ） (2025-10-22T14:04:42Z)
• 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 Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• Comparative Analysis of Machine Learning Approaches to Analyze and Predict the Covid-19 Outbreak [10.307715136465056]
  疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。 これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
  論文  参考訳（メタデータ） (2021-02-11T11:57:33Z)
• 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)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
  新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。 標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。 原理的に部分観測可能なベイズ的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-12T20:37:33Z)

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。