論文の概要: SpatialEpiBench: Benchmarking Spatial Information and Epidemic Priors in Forecasting

• arxiv url: http://arxiv.org/abs/2605.06530v1
• Date: Thu, 07 May 2026 16:31:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:12.001042
• Title: SpatialEpiBench: Benchmarking Spatial Information and Epidemic Priors in Forecasting
• Title（参考訳）: SpaceEpiBench: 予測における空間情報とエピデミック事前のベンチマーク
• Authors: Ruiqi Lyu, Alistair Turcan, Bryan Wilder,
• Abstract要約: 正確な予測は公衆衛生、資源配分、介入に不可欠である。 流行は地域全体に広がるため、現実的な疫学的手法は予測を改善するための自然な候補である。 空間情報への関心が高まっているが、標準化されたベンチマークは存在しない。
• 参考スコア（独自算出の注目度）: 14.31847187460321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate epidemic forecasting is crucial for public health response, resource allocation, and outbreak intervention, but remains difficult with sparse, noisy, and highly non-stationary data. Because epidemics unfold across interacting regions, spatiotemporal methods are natural candidates for improving forecasts. Despite growing interest in spatial information, no standardized benchmark exists, and current evaluations often use simple chronological train-test splits that do not reflect real-time forecasting practice. We address this gap with SpatialEpiBench, a challenging benchmark for spatiotemporal epidemic forecasting in realistic public-health settings. SpatialEpiBench includes 11 epidemic datasets with standardized rolling evaluations and outbreak-specific metrics. We evaluate adjacency-informed forecasting models with widely used epidemic priors that adapt general models to epidemiology, but find that most methods underperform a simple last-value baseline from 1 day to 1 month ahead, even during outbreaks and with these priors. We identify three major failure modes: (1) poor outbreak anticipation, (2) difficulty handling sparsity and noise, and (3) limited utility of common geographic adjacency for epidemiological spatial information. We release benchmark data, code, and instructions at https://github.com/Rachel-Lyu/SpatialEpiBench to support development of operationally useful epidemic forecasting models.
• Abstract（参考訳）: 正確な流行予測は公衆衛生対応、資源配分、アウトブレイク介入に不可欠であるが、スパース、ノイズ、高度に静止していないデータでは依然として困難である。 伝染病は相互作用する地域にわたって広がるため、時空間法は予測を改善するための自然な候補である。 空間情報への関心が高まっているにもかかわらず、標準化されたベンチマークは存在しない。 このギャップを、現実的な公衆衛生環境での時空間流行予測のための挑戦的なベンチマークであるSpatialEpiBenchで解決する。 SpaceEpiBenchには、標準的なローリング評価とアウトブレイク固有のメトリクスを備えた11の流行データセットが含まれている。 疫学に一般モデルを適応させる疫学に広く用いられている流行予知モデルについて検討するが、ほとんどの手法が1日から1ヶ月前の単純な最終値ベースラインを過小評価していることが判明した。 本研究は,(1)発病予測の低下,(2)発病頻度と騒音の扱いの難しさ,(3)疫学的空間情報に対する共通地理的隣接の限定的有効性,の3つの主要な障害モードを同定する。 我々は、運用上有用な流行予測モデルの開発を支援するために、https://github.com/Rachel-Lyu/SpatialEpiBenchでベンチマークデータ、コード、インストラクションをリリースする。

関連論文リスト

• IDOBE: Infectious Disease Outbreak forecasting Benchmark Ecosystem [1.443414322584475]
  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。
  論文  参考訳（メタデータ） (2026-04-20T17:18:18Z)
• Prior Knowledge-enhanced Spatio-temporal Epidemic Forecasting [15.779777731878228]
  新しいフレームワークは、流行を予測するために暗黙の事前と専門家の事前を統合する。 実世界のデータセットの実験では、STOEPはRMSEにおいて最高基準COを11.1%上回っている。 システムは、ダウンストリームアプリケーションを容易にするために、中国の1つの州CDCにデプロイされている。
  論文  参考訳（メタデータ） (2026-02-25T07:52:11Z)
• Deep learning framework for predicting stochastic take-off and die-out of early spreading [3.3147247892604708]
  大規模なアウトブレイクは、人間の社会に重大な脅威をもたらす。 新型コロナウイルスの流行が大きな流行に発展するか、それとも自然に絶滅するかという問題は、いまだに未解決のままだ。 本稿では,初期感染発生が大流行に拡大するかどうかを予測するための最初の体系的枠組みを紹介する。
  論文  参考訳（メタデータ） (2025-10-06T08:18:47Z)
• 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)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• 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)
• 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)

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。