論文の概要: Transfer Learning using 66 Diseases for Disease Forecasting Applications

• arxiv url: http://arxiv.org/abs/2605.27269v1
• Date: Tue, 26 May 2026 16:45:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.465117
• Title: Transfer Learning using 66 Diseases for Disease Forecasting Applications
• Title（参考訳）: 66病型を用いたトランスファーラーニング : 疾患予測への応用
• Authors: Lauren J Beesley, Alexander C Murph, Dave Osthus, Lauren A Castro,
• Abstract要約: 66の感染症といくつかのデータストリームにまたがるデータに基づいて、機械学習モデルをトレーニングします。 他のデータストリームを組み込むことで,ほとんどの場合,予測が向上することがわかった。 この研究の主な貢献は、感染症予測コミュニティが使用するための、公開可能なデータのデータベースのコンパイルである。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Disease forecasting models typically rely on a single data stream, making models brittle when histories are short or noisy. Recent top-performing models have shown that synthesizing multiple reporting systems for the same disease improves performance. Other recent work takes this idea a step further, using transfer learning to train a forecasting model for one disease using data from a different disease. We expand upon each of these approaches greatly, training machine learning models on data that span 66 infectious diseases and several data streams. We investigate the value of incorporating different data streams for forecasting 20 different disease data streams. We find that incorporating other data streams improves forecasting in the vast majority (84.9%) of time series and model structures considered. However, our work highlights that the quality of the added data matters, where adding data extremely different from the target data stream can sometimes degrade forecast performance. A major contribution of this work is in compiling a publicly-available database of data for use by the infectious disease forecasting community.
• Abstract（参考訳）: 疾患予測モデルは一般的に単一のデータストリームに依存しており、履歴が短い場合やうるさい場合はモデルを不安定にする。 最近のトップパフォーマンスモデルでは、同一疾患に対する複数の報告システムを合成することで性能が向上することが示されている。 他の最近の研究では、このアイデアをさらに一歩進め、トランスファーラーニングを使用して、別の病気のデータを使用して、ある疾患の予測モデルをトレーニングしている。 66の感染症といくつかのデータストリームにまたがるデータに基づいて、機械学習モデルをトレーニングします。 本研究では,20種類の疾患データストリームを予測するために,異なるデータストリームを組み込むことの価値について検討する。 我々は,他のデータストリームを組み込むことで,時系列およびモデル構造の大部分 (84.9%) の予測を改善することを発見した。 しかし,本研究は,対象データストリームと非常に異なるデータを追加することで,予測性能を低下させる可能性があることを強調している。 この研究の主な貢献は、感染症予測コミュニティが使用するための、公開可能なデータのデータベースのコンパイルである。

関連論文リスト

• Developing a Strong Pre-Trained Base Model for Plant Leaf Disease Classification [0.0]
  この論文は、植物葉病を分類するために、DenseNet201アーキテクチャに基づいた新しいベースモデルをトレーニングすることを目的としている。 植物葉病分類の分野のためのオープンデータセットと、それらに基づいてトレーニングできるモデルが同定されている。
  論文  参考訳（メタデータ） (2026-05-02T06:33:38Z)
• Disease Progression and Subtype Modeling for Combined Discrete and Continuous Input Data [37.93788591991097]
  本稿では、離散データ型と連続データ型の両方を扱う新しい疾患進行モデルを提案する。 アルツハイマー病神経画像イニシアチブのシミュレーション実験と実世界データによるMixed-SuStaInの有効性を実証した。
  論文  参考訳（メタデータ） (2026-02-25T15:31:30Z)
• PEMS: Pre-trained Epidemic Time-series Models [23.897701882327972]
  事前学習型エピデミック時系列モデル(PEMS)を紹介する。 PEMSは、自己教師付き学習(SSL)タスクのセットとして事前トレーニングを定式化することにより、さまざまな病気の時系列データセットから学習する。 その結果、PEMは、さまざまな季節パターン、地理、感染メカニズムのデータセットをまたいださまざまなダウンストリーム時系列タスクにおいて、以前の最先端の手法よりも優れており、Covid-19パンデミックは、より少ないデータセットを使用して、より効率よく事前訓練されたデータに見られない。
  論文  参考訳（メタデータ） (2023-11-14T01:40:21Z)
• 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)
• A Bayesian Generative Adversarial Network (GAN) to Generate Synthetic Time-Series Data, Application in Combined Sewer Flow Prediction [3.3139597764446607]
  機械学習では、生成モデル(generative model)は、データ分散を学習して人工データを生成する方法のクラスである。 本研究では,限られた時系列データのバランスをとるために,合成時系列を生成するGANモデルを開発した。 本研究の目的は, 降水量データを用いて流れを予測し, モデル性能における合成データを用いたデータ増大の影響を検討することである。
  論文  参考訳（メタデータ） (2023-01-31T16:12:26Z)
• 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)
• On the Efficacy of Adversarial Data Collection for Question Answering: Results from a Large-Scale Randomized Study [65.17429512679695]
  逆データ収集(ADC)では、人間の労働力がモデルとリアルタイムで対話し、誤った予測を誘発する例を作成しようとする。 ADCの直感的な魅力にも拘わらず、敵対的データセットのトレーニングがより堅牢なモデルを生成するかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-06-02T00:48:33Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。