論文の概要: Bayesian Selective Latent Inference for Wastewater-First Influenza Monitoring

• arxiv url: http://arxiv.org/abs/2606.09433v1
• Date: Mon, 08 Jun 2026 12:44:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.06758
• Title: Bayesian Selective Latent Inference for Wastewater-First Influenza Monitoring
• Title（参考訳）: 排水第一インフルエンザモニタリングのためのベイズ選択潜伏推定法
• Authors: Yixuan Zhang, Yang Song, Hao Wang, Samir Bhatt, Hengguan Huang,
• Abstract要約: 排水優先型インフルエンザモニタリングを選択的決定問題として検討した。 本稿では,潜伏負荷と識別可能性よりも後続性を維持するベイズ法を提案する。 重要な変動性、応答性、ベルマン最適性、一次元のコスト校正特性を証明した。
• 参考スコア（独自算出の注目度）: 13.337495900810817
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wastewater influenza surveillance can reveal community circulation before clinical reporting, but wastewater alone is not a fully identifiable proxy for human burden. Existing wastewater models assume a fixed evidence set, while generic evidence-acquisition methods treat official surveillance streams as interchangeable costly features. We cast wastewater-first influenza monitoring as a selective decision problem: starting from mandatory wastewater evidence, the system must decide whether wastewater is sufficient, which delayed official stream to query next, and when abstention is the only scientifically defensible action under source ambiguity. We propose Bayesian Selective Latent Inference (BSLI), a principled Bayesian method that maintains a posterior over latent burden and identifiability, certifies answerability through explicit scientific gates, and optimizes query-stop decisions with an exact cost-calibrated Bellman policy. We prove the key variational, answerability, Bellman-optimality, and one-dimensional cost-calibration properties. On a fixed public-data benchmark with 5,933 forecasting episodes and 3,102 source-ambiguity episodes, BSLI improves the matched-budget cost-performance frontier while preserving conservative abstention under source ambiguity.
• Abstract（参考訳）: 排水インフルエンザ監視は、臨床報告の前にコミュニティの循環を明らかにすることができるが、排水だけでは人間の負担を完全に識別できる指標ではない。 既存の廃水モデルでは、固定されたエビデンスセットを仮定し、一般的なエビデンス取得手法では、公式な監視ストリームを交換可能なコストのかかる特徴として扱う。 廃棄物第一インフルエンザモニタリングは, 強制的な排水証拠から, 排水が十分であるか否か, 公的な流れが遅れて次の問合せを行うか, あるいは, 禁忌が唯一の科学的に保護可能な行動であるかどうかを判断する必要がある。 ベイズ的選択遅延推論(Bayesian Selective Latent Inference, BSLI)を提案する。これはベイズ的手法であり, 遅延負荷と識別性を後続的に維持し, 明示的な科学的ゲートを通じて応答性を証明し, 正確なコスト校正されたベルマンポリシーを用いてクエリストップ決定を最適化する。 重要な変動性、応答性、ベルマン最適性、一次元のコスト校正特性を証明した。 5,933回の予測エピソードと3,102回のソース曖昧性エピソードを含む固定された公開データベンチマークでは、BSLIは、ソース曖昧性の下で保守的な中断を保ちながら、一致した予算のコストパフォーマンスフロンティアを改善している。

関連論文リスト

• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
  我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。 本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13～15%削減する。
  論文  参考訳（メタデータ） (2026-02-19T18:32:26Z)
• Effect-Level Validation for Causal Discovery [1.8192444294441061]
  大規模テレメトリデータに因果発見を適用して,ユーザの介入効果を推定する。 しかし,フィードバック駆動型システムにおける意思決定の信頼性は高い。 本稿では,発見されたグラフを構造仮説として扱う,効果中心のアクセシビリティ優先フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-09T07:26:55Z)
• PRISM: Festina Lente Proactivity -- Risk-Sensitive, Uncertainty-Aware Deliberation for Proactive Agents [11.440330367799513]
  PRISMは、決定論的ゲートとデュアルプロセス推論アーキテクチャを結合する新しいフレームワークである。 フェスティナ・レンテ(ラテン語: "make haste slow")にインスパイアされた私たちは、受け入れ校正されたコスト由来の閾値でゲートする。 ProactiveBenchでは、PRISMは誤報を22.78%減らし、F1を20.14%改善している。
  論文  参考訳（メタデータ） (2026-02-02T01:56:29Z)
• Dynamic Correction of Erroneous State Estimates via Diffusion Bayesian Exploration [9.087312455936134]
  緊急対応やその他の高い社会的応用において、早期状態推定は下流の結果を批判的に形作る。 制限された情報やバイアスのある情報に基づくこれらの初期状態の見積もりは、現実と深刻なミスマッチする可能性がある。 本稿では,早期状態推定誤差の原理的リアルタイム補正を可能にする拡散駆動型ベイズ探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-01T22:08:26Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• Optimal Treatment Regimes for Proximal Causal Learning [7.672587258250301]
  そこで本研究では,橋梁における結果と治療の相違に基づく最適な個別化治療体制を提案する。 この新たな最適治療体制の価値関数は,文献上に存在するものよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-19T14:29:25Z)

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。