論文の概要: EpiEvolve: Self-Evolving Agents for Streaming Pandemic Forecasting under Regime Shifts

• arxiv url: http://arxiv.org/abs/2606.05513v1
• Date: Wed, 03 Jun 2026 23:40:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.439586
• Title: EpiEvolve: Self-Evolving Agents for Streaming Pandemic Forecasting under Regime Shifts
• Title（参考訳）: EpiEvolve: パンデミック予測をレジームシフト下でストリーミングするための自己進化剤
• Authors: Yiming Lu, Sihang Zeng, Zhengxu Tang, Max Lau, Fei Liu, Wei Jin,
• Abstract要約: ウォームスタート期間にトレーニングされたエピデミックLSM予測器をラップし、ストリーミング中に重みを固定する自己進化型エージェントであるEpiEvolveを紹介する。 EpiEvolveは、階層的なエピソードメモリに予測結果を格納し、遅延ラベルを反映し、現在の状態に関連するケースを検索し、繰り返し発生するエラーを戦略的ルールに蒸留することで適応する。
• 参考スコア（独自算出の注目度）: 9.663891653263402
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Epidemic LLM forecasters are usually trained and evaluated as static supervised models, whereas operational pandemic forecasting is a streaming process in which labels arrive after predictions and disease regimes shift over time. We study this mismatch in weekly COVID-19 hospitalization trend forecasting across five variant regimes. We introduce EpiEvolve, a self-evolving agent that wraps an LLM forecaster trained on the warm-start period and keeps its weights fixed during streaming. EpiEvolve adapts by storing forecast outcomes in a hierarchical episodic memory, reflecting on delayed labels, retrieving cases relevant to the current regime, and distilling recurring errors into strategic rules. The resulting context lets the forecaster reuse its own past predictions and outcomes in later weeks while following a chronological protocol that prevents future leakage. On the streaming dataset, EpiEvolve reaches $0.629$ average accuracy, compared with $0.561$ for the static backbone and $0.325$ for the external CDC ensemble, and reduces recovery lag after regime shifts from $5$ to $2$ weeks. Ablations show that reflection, strategic memory, and regime-aware retrieval each contribute to the gains.
• Abstract（参考訳）: エピデミックLSM予測器は静的教師付きモデルとして訓練され評価されるのに対し、オペレーショナルパンデミック予測は、予測や病気の体制が経時的に変化した後、ラベルが到着するストリーミングプロセスである。 我々は、このミスマッチを、5つの異なる体制で予測する毎週のCOVID-19入院傾向において研究する。 ウォームスタート期間にトレーニングされたLSM予測器をラップし、ストリーミング中に重みを固定する自己進化型エージェントであるEpiEvolveを紹介する。 EpiEvolveは、階層的なエピソードメモリに予測結果を格納し、遅延ラベルを反映し、現在の状態に関連するケースを検索し、繰り返し発生するエラーを戦略的ルールに蒸留することで適応する。 結果のコンテキストにより、予測者は過去の予測と結果を数週間後に再利用することができる。 ストリーミングデータセットでは、EpiEvolveの平均精度は0.629ドルであり、静的バックボーンは0.561ドル、外部CDCアンサンブルは0.325ドルである。 アブレーションは、リフレクション、戦略的記憶、レギュラーアウェア検索がそれぞれ利得に寄与していることを示している。

関連論文リスト

• Retrodictive Forecasting: A Proof-of-Concept for Exploiting Temporal Asymmetry in Time Series Prediction [0.0]
  本稿では時系列の予測パラダイムを提案する。 過去から未来を予測する代わりに、観測された現在を最もよく説明する未来を特定する。
  論文  参考訳（メタデータ） (2026-02-28T13:07:35Z)
• Deep learning forecasts the spatiotemporal evolution of fluid-induced microearthquakes [2.229967308435903]
  本研究では,4つの重要な量を予測するために,油圧刺激履歴と先行地震観測を取り入れた変圧器を用いた深層学習モデルを提案する。 これらの正確で不確実性の定量化された予測は、破壊伝播と透水性進化のリアルタイムな推測を可能にする。
  論文  参考訳（メタデータ） (2025-06-17T19:10:05Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• 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)
• 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)
• Backtesting the predictability of COVID-19 [0.0]
  我々は,2020年1月22日から6月22日までの253地域でのCOVID-19感染の歴史的データを用いている。 パンデミックの初期段階では予測誤差が著しく高く、データ不足によるものである。 いずれにせよ国が示すような確認ケースが多ければ多いほど、将来の確認ケースを予想するエラーは少なくなる。
  論文  参考訳（メタデータ） (2020-07-22T13:18:00Z)

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。