論文の概要: Benchmarking Counterfactual Prediction in Epidemic Time Series with Time-Varying Interventions

• arxiv url: http://arxiv.org/abs/2606.05692v2
• Date: Thu, 11 Jun 2026 01:52:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 13:39:59.473627
• Title: Benchmarking Counterfactual Prediction in Epidemic Time Series with Time-Varying Interventions
• Title（参考訳）: 時間変化干渉を伴うエピデミック時系列における非現実的予測のベンチマーク
• Authors: Wenhao Mu, Facundo Yan, Anik Mumssen, Marisa Eisenberg, Alexander Rodríguez,
• Abstract要約: 本研究では,動的介入による疫病時系列の反ファクト予測のための大規模ベンチマークを開発する。 既存のベンチマークとは異なり、静的および時間変化の処理をサポートし、シングルポリティとマルチポリティの介入設定の両方をサポートする。 我々は150以上の郡にまたがる現実的な対物軌道を創出する。
• 参考スコア（独自算出の注目度）: 41.45415779643617
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning has enabled significant advances in time-series causal inference, yet progress remains constrained by the lack of realistic benchmarks with observable counterfactual outcomes. Existing datasets either rely on real-world observations without ground-truth counterfactuals or on simplified simulations that fail to capture complex causal dynamics. To address this gap, we develop a large-scale benchmark for counterfactual prediction in epidemic time series under dynamic interventions. Unlike existing benchmarks, it supports static and time-varying treatments, as well as both single-policy and multi-policy intervention settings, enabling evaluation of causal inference methods across a broad range of causal inference scenarios. Leveraging a calibrated agent-based model grounded in real-world demographic, mobility, epidemiological, and policy data, we generate realistic counterfactual trajectories across more than 150 U.S. counties. Using this benchmark, we evaluate widely used and state-of-the-art causal inference methods, revealing substantial performance differences and highlighting the challenges of realistic time-series causal reasoning.
• Abstract（参考訳）: 深層学習は時系列因果推論に大きな進歩をもたらしたが、観測可能な反現実的な結果を伴う現実的なベンチマークが欠如しているため、進歩は依然として制限されている。 既存のデータセットは、地道な反ファクトのない現実世界の観測に依存するか、複雑な因果ダイナミクスを捉えるのに失敗する単純化されたシミュレーションに依存する。 このギャップに対処するため,動的介入下での疫病時系列における反現実的予測のための大規模ベンチマークを開発した。 既存のベンチマークとは異なり、静的および時間変化の処理をサポートし、単一ポリティクスとマルチポリティクスの両方の介入設定をサポートし、幅広い因果推論シナリオで因果推論手法の評価を可能にする。 現実の人口統計、移動性、疫学、政策データに基づく調整されたエージェントベースモデルを利用することで、150以上の郡にまたがる現実的な反現実的な軌道を生成する。 このベンチマークを用いて、我々は、広く使われ、最先端の因果推論手法を評価し、大幅な性能差を明らかにし、現実的な時系列因果推論の課題を強調した。

関連論文リスト

• Nested Spatio-Temporal Time Series Forecasting [37.72264188106367]
  マイクロレベルの歴史的観測と将来のマクロレベルの地域動向を結びつけるネスト予測フレームワークを提案する。 具体的には、スペクトルクラスタリングに基づく手法を用いてセマンティック・コヒーレントな領域を構築する。 我々はこれらの代表的特徴を推論プロセスに統合するプログレッシブ粗大予測器を開発した。
  論文  参考訳（メタデータ） (2026-05-15T02:06:31Z)
• Conditional Inverse Learning of Time-Varying Reproduction Numbers Inference [0.7367227178198079]
  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。
  論文  参考訳（メタデータ） (2026-03-18T09:52:41Z)
• Counterfactual Forecasting For Panel Data [7.191006213124838]
  パネルデータに欠落した項目と時間依存性の潜伏因子を有さない結果を予測するという課題に対処する。 本稿では,従来の行列補完手法を拡張したFOCUS(Forecasting Counterfactuals under Dynamics)を提案する。
  論文  参考訳（メタデータ） (2025-11-09T02:25:49Z)
• A Practical Approach to Causal Inference over Time [17.660953125689105]
  我々は因果介入とその時間的影響を離散時間プロセス(DSP)に定義する。 因果介入前後のDSPの平衡状態が構造因果モデル(SCM)によって把握できる条件を示す。 得られた因果VARフレームワークにより、観測時系列データから経時的に因果推論を行うことができる。
  論文  参考訳（メタデータ） (2024-10-14T13:45:20Z)
• 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)
• 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)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• 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)

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。