論文の概要: TERN: A Delta-rule Memory with a Seasonal Reference and Online Adaptation for Epidemic Forecasting

• arxiv url: http://arxiv.org/abs/2609.18407v2
• Date: Thu, 24 Sep 2026 14:30:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.25501
• Title: TERN: A Delta-rule Memory with a Seasonal Reference and Online Adaptation for Epidemic Forecasting
• Title（参考訳）: TERN: 季節レファレンスとオンライン適応型デルタルールメモリ
• Abstract要約: インフルエンザの監視はワクチンの配布と公衆衛生上の警告を週に1回数えているが、予測は困難だ。 本稿では,デルタルールの高速メモリを中心に構築された予測器であるTERNを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weekly influenza surveillance counts guide vaccine distribution and public-health alerts, yet they are hard to forecast. Each region offers only a few seasons, waves shift in timing and height every year, and information that helps while a wave grows misleads after its peak, whereas last season's shape stays informative for a year. Existing epidemic graph models and general forecasters read a short fixed window and treat all past information alike, so they neither exploit earlier seasons nor discard stale associations when the epidemic phase changes. To address these limitations, we propose TERN, a forecaster built around a delta-rule fast-weight memory that decays channel-wise and erases along a learned address under gates driven by local epidemic-phase features, combined with an explicit seasonal reference and online adaptation. On three Cola-GNN influenza benchmarks, TERN outperformed epidemic graph models and general forecasters, matched or exceeded seasonal references, and a controlled comparison confirmed the contribution of the memory itself.
• Abstract（参考訳）: インフルエンザの監視はワクチンの配布と公衆衛生上の警告を週に1回数えているが、予測は困難だ。 それぞれの地域では、季節がわずかしかなく、波のタイミングと高さが年々変化し、波がピーク後に成長するのを助ける情報を提供している。 既存の流行グラフモデルや一般の予測者は、短い固定された窓を読み、過去の情報も同様に扱うので、流行期が変わると過去の季節を悪用したり、老朽化した関係を破棄したりしない。 これらの制約に対処するため,我々はデルタルールの高速メモリを中心に構築された予測器 TERN を提案する。 Cola-GNN の3つのベンチマークでは, TERN の流行グラフモデルと一般の予測値が季節基準と一致または超えた結果, 制御された比較の結果, メモリ自体の寄与が確認された。

関連論文リスト

• Understanding Key Features of Time Series Foundation Models from Epidemic Forecasting [1.7191952770783792]
  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。
  論文  参考訳（メタデータ） (2026-06-17T20:01:48Z)
• SpatialEpiBench: Benchmarking Spatial Information and Epidemic Priors in Forecasting [14.31847187460321]
  正確な予測は公衆衛生、資源配分、介入に不可欠である。 流行は地域全体に広がるため、現実的な疫学的手法は予測を改善するための自然な候補である。 空間情報への関心が高まっているが、標準化されたベンチマークは存在しない。
  論文  参考訳（メタデータ） (2026-05-07T16:31:43Z)
• CrossLag: Predicting Major Dengue Outbreaks with a Domain Knowledge Informed Transformer [1.9132624817489867]
  環境に配慮したCrossLagを導入し、データ内の重要な事象の背後にある内因性シグナルを遅延させることを可能にします。 提案モデルでは,24週間の予測ウィンドウ上でのシンガポールのデング大流行の検出と予測において,TimeXerよりかなり優れていた。
  論文  参考訳（メタデータ） (2025-10-03T23:30:31Z)
• Pre-training Epidemic Time Series Forecasters with Compartmental Prototypes [8.716953628182742]
  本稿では,パンデミック予測のための最初のオープンソース事前学習モデルCAPEを提案する。 疫学的な課題を見落としている既存の時系列基盤モデルとは異なり、CAPEモデルは潜伏する人口状態のダイナミックスを流行させる。 17の疾患と50以上の領域にまたがる包括的なベンチマークでは、CAPEはゼロショット、少数ショット、フルショット予測において、強いベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-02-05T17:29:36Z)
• Event Detection from Social Media for Epidemic Prediction [76.90779562626541]
  ソーシャルメディア投稿から疫病関連事象を抽出・分析する枠組みを構築した。 実験では、新型コロナウイルスベースのSPEEDで訓練されたEDモデルが、3つの目に見えない流行の流行を効果的に検出する方法が明らかにされている。 モンキーポックスのWHO流行宣言より4～9週間早く,抽出した事象の報告が急激な増加を示すことを示す。
  論文  参考訳（メタデータ） (2024-04-02T06:31:17Z)
• 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)
• Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting Epidemics [2.705025060422369]
  感染性疾患は、世界中でヒトの病気や死亡の原因となっている。 感染拡大の予測は、利害関係者が目の前の状況に対処するのに役立つ。
  論文  参考訳（メタデータ） (2022-06-21T19:31:25Z)
• 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)
• Steering a Historical Disease Forecasting Model Under a Pandemic: Case of Flu and COVID-19 [75.99038202534628]
  我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。 我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
  論文  参考訳（メタデータ） (2020-09-23T22:35:43Z)

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。