論文の概要: Understanding Key Features of Time Series Foundation Models from Epidemic Forecasting

• arxiv url: http://arxiv.org/abs/2606.19560v1
• Date: Wed, 17 Jun 2026 20:01:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.518085
• Title: Understanding Key Features of Time Series Foundation Models from Epidemic Forecasting
• Title（参考訳）: エピデミック・フォアキャスティングによる時系列基礎モデルの鍵となる特徴の理解
• Authors: Alireza Jafari, Judy Fox, Geoffrey C. Fox, Madhav Marathe, Aniruddha Adiga,
• Abstract要約: 季節性インフルエンザは何百万人もの人に感染し、毎年アメリカ合衆国で深刻な死亡率と死亡率を引き起こす。 予防接種時期, 病院職員, 資源配分など, 予防接種時期の信頼性を予測できる。 インフルエンザ様疾患のサーベイランスとインフルエンザ関連入院時間時系列を用いた地域インフルエンザ予報の評価を行った。
• 参考スコア（独自算出の注目度）: 1.7191952770783792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Seasonal influenza infects millions of people and causes substantial morbidity and mortality in the United States each year, making accurate short-term forecasting a core public-health need. Reliable forecasts of epidemic time series can inform vaccination timing, hospital staffing, and resource allocation, yet the comparative behavior of modern forecasting architectures on infectious-disease surveillance data remains insufficiently characterized. We address this gap through a systematic evaluation of regional influenza forecasting using influenza-like illness surveillance and influenza-associated hospitalization time series under both temporal and spatial generalization settings for 1-4-week-ahead prediction. We compare classical neural network architectures, numerical transformer-based models, pretrained time series foundation models, and LLM-based forecasting approaches. Across tasks, we demonstrate that a mixture-of-experts model that fuses multiple pretrained forecasters achieves the strongest overall performance, indicating that heterogeneous pretrained representations provide complementary predictive information. Our results further show that numerical transformer-based models produce reliable forecasts, while pretraining provides the largest gains at longer horizons, particularly when the pretraining domain is mechanistically aligned with influenza dynamics. In contrast, LLM-based time series methods underperform relative to numerical forecasters in this setting. Finally, we examine hospitalization information as both an auxiliary covariate and a pretraining source. Hospitalization signals provide complementary improvements in selected settings and clarify when additional surveillance streams enhance the robustness of multi-horizon forecasting. These findings provide actionable guidance on model selection, pretraining strategy, and auxiliary-signal use for influenza preparedness.
• Abstract（参考訳）: 季節性インフルエンザは何百万人もの人々に感染し、毎年深刻な死亡率と死亡率をもたらし、主要な公衆衛生の必要性を正確に予測する。 予防接種時期, 病院職員, 資源配分など, 予防接種時期の信頼性を予測できるが, 伝染病監視データに対する近代的な予測アーキテクチャの比較行動は, いまだに不十分である。 本研究は,1～4週間の予測のために,インフルエンザ様疾患監視とインフルエンザ関連入院時間時系列を用いた地域インフルエンザ予測の体系的評価を通じて,このギャップに対処する。 従来のニューラルネットワークアーキテクチャ、数値トランスフォーマーモデル、事前訓練された時系列基礎モデル、LLMに基づく予測手法を比較した。 タスク全体にわたって、複数の事前学習予測器を融合させる混合実験モデルが最強の総合的な性能を達成し、異種事前学習表現が相補的な予測情報を提供することを示す。 以上の結果から, 数値変圧器を用いたモデルでは信頼性の高い予測が得られ, プレトレーニングは, 特にプレトレーニング領域がインフルエンザのダイナミックスと機械的に一致している場合に, より長い地平線で最大のゲインが得られることがわかった。 対照的に、LLMに基づく時系列法は、この設定では数値予測器と比較して性能が劣る。 最後に,入院情報を補助的共変量と事前訓練源として検討する。 入院信号は、選択した設定を補完的に改善し、追加の監視ストリームがマルチホライゾン予測の堅牢性を高めることを明確にする。 これらの知見は, インフルエンザ予防のためのモデル選択, プレトレーニング戦略, 補助信号の使用に関する実用的なガイダンスを提供する。

関連論文リスト

• A Climate-Aware Deep Learning Framework for Generalizable Epidemic Forecasting [0.0]
  ForecastNet-XCLは、RSVのリアルタイム監視にアクセスすることなく、気候や時間データに基づいて、100週間前の正確なRSV予測を生成する。 ForecastNet-XCLは、統計ベースライン、個々のニューラルネット、および従来のアンサンブル手法を、内部およびクロスステートのシナリオで確実に上回った。
  論文  参考訳（メタデータ） (2025-10-22T14:04:42Z)
• 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)
• Improving Early Sepsis Onset Prediction Through Federated Learning [4.254099382808598]
  本稿では,セプシオンセット予測のためのフェデレーション・アテンション強化長短期記憶モデルを提案する。 固定予測ウィンドウに依存する既存のアプローチとは異なり、我々のモデルは可変予測水平線をサポートしている。 固定ウィンドウではなく変数予測ウィンドウを採用するという選択は,性能を著しく損なうものではなく,計算,通信,組織的オーバーヘッドを低減させることを示す。
  論文  参考訳（メタデータ） (2025-09-25T08:19:22Z)
• Epidemic-guided deep learning for spatiotemporal forecasting of Tuberculosis outbreak [0.0]
  本稿では,先進的な深層学習技術と機械的疫学の原則を融合させるEGDL手法を提案する。 我々のフレームワークは、飽和入射率とグラフラプラシア拡散を付加したネットワーク化された感受性-感染-回復モデル(MN-SIR)に基づいて構築されている。 全国47都道府県と中国本土31県で実施したTB頻度データから,本手法が堅牢かつ正確な予測を行うことを示す。
  論文  参考訳（メタデータ） (2025-02-15T12:39:42Z)
• 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)
• 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)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• 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)
• Predicting seasonal influenza using supermarket retail records [59.18952050885709]
  我々は,スーパーマーケットの小売データを,センチネルバスケットの識別を通じてインフルエンザの代替信号とみなす。 SVR(Support Vector Regression)モデルを用いて、季節性インフルエンザ発生の予測を行います。
  論文  参考訳（メタデータ） (2020-12-08T16:30:43Z)

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。