論文の概要: Planetary Geospatial Foundation Models: A New Paradigm for Global Public Health

• arxiv url: http://arxiv.org/abs/2610.05699v1
• Date: Mon, 05 Oct 2026 02:16:42 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:40:58.615315
• Title: Planetary Geospatial Foundation Models: A New Paradigm for Global Public Health
• Title（参考訳）: Planetary Geospatial Foundation Models: グローバル公衆衛生のための新しいパラダイム
• Abstract要約: 我々はGoogle Earth AIのPopulation Dynamics Foundation Modelの独立したグローバルヘルスケーススタディを提示する。 PDFMは地理空間推論の基礎モデルである。 ドメイン間の重要な監視ギャップに対処する。
• 参考スコア（独自算出の注目度）: 10.457783168690321
• License:
• Abstract: The efficacy of traditional disease prediction is limited by spatial gaps and temporal lags, which impact the timing and targets of resource deployments. Outbreaks escalate undetected, chronic disease burdens are quantified years later, and at-risk populations in data-sparse regions remain unaddressed. Planetary geospatial foundation models complement existing epidemiological workflows to provide operational improvements, encoding multimodal search, mobility, and environmental signals into generalizable place representations. As illustrations of this complementarity, we present independent global health case studies of Google Earth AI's Population Dynamics Foundation Model (PDFM) -- a foundation model for geospatial inference -- across four domains (vaccine-preventable, communicable, noncommunicable, maternal mental health), five tasks (spatial extrapolation, interpolation/nowcasting, probabilistic forecasting, prospective forecasting, risk stratification), and four countries (USA, Canada, Mexico, and the Democratic Republic of the Congo). Across these case studies, PDFM addresses critical surveillance gaps across domains: improving US-Canada border MMR vaccination coverage predictions by capturing cross-border behavioral spillovers domestic models miss; nowcasting cardiovascular disease to accelerate data availability; enhancing short-term municipal Mexican dengue forecasts for timely outbreak vector control; improving forecasts of cholera hotspots; and adding a transferable signal to individual-level postpartum-depression risk prediction in US states the model had never seen, while not replacing individual socioeconomic data or closing demographic screening gaps. Together, these results showcase capabilities of geospatial foundation models for public health surveillance.
• Abstract（参考訳）: 従来の病気予測の有効性は、資源配置のタイミングと目標に影響を与える空間的ギャップと時間的ラグによって制限される。 アウトブレイクは発見されずにエスカレートし、慢性的な病気の重荷は数年後に定量化され、データ不足地域におけるリスクの高い人口は未適応のままである。 惑星地理空間基盤モデルは、既存の疫学的ワークフローを補完し、運用上の改善を提供し、マルチモーダル検索、モビリティ、環境信号を一般化可能な場所表現に符号化する。 この相補性の図示として、我々は、Google Earth AIの人口動態モデル(PDFM)の独立したグローバルヘルスケーススタディ(地理空間推論の基礎モデル)を、4つの領域(予防的、コミュニケーション可能、非コミュニケーション可能、母体メンタルヘルス)、5つのタスク(空間外挿、補間/放送、確率予測、予測予測、リスク階層化)、4つの国(米国、カナダ、メキシコ、コンゴ民主共和国)で提示する。 これらのケーススタディ全体で、PDFMは、米国・カナダ国境でのMMR予防接種範囲の予測の改善、データ可用性を加速するために心臓血管疾患を放送すること、タイムリーなアウトブレイクベクターコントロールのための短期的なメキシコのデング予測の強化、コレラホットスポットの予測の改善、米国の州における個々のレベルのポストパルタうつ病リスク予測への転送可能な信号の追加など、ドメイン間の重要な監視ギャップに対処している。 これらの結果は、公衆衛生監視のための地理空間基盤モデルの能力を示すものである。

関連論文リスト

• Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning [50.948271066372826]
  本稿では,地域レベルの時間的監視データと空間的局所的な補助信号を統合する,空間的に構造化されたマルチモーダル流行予測設定を提案する。 我々は,現実的なリアルタイム評価プロトコルの下で,実際の新型コロナウイルス,インフルエンザ,インフルエンザ様疾患(IIL)の予測課題に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-06-20T17:58:17Z)
• Ground-Level Near Real-Time Modeling for PM2.5 Pollution Prediction [1.437068792421796]
  大気汚染は世界中の公衆衛生上の脅威であり、多くの病気を発生または悪化させる可能性がある。 疫学研究と公衆衛生決定は、汚染曝露の影響をほぼリアルタイムで評価できないことで汚される。 これを解決するために、環境汚染物質の正確なデジタルツインを開発することで、タイムリーなデータ駆動分析が可能になる。
  論文  参考訳（メタデータ） (2026-04-21T01:56:46Z)
• Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
  大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。 本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
  論文  参考訳（メタデータ） (2025-10-28T01:18:00Z)
• 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)
• EpiGNN: Exploring Spatial Transmission with Graph Neural Network for Regional Epidemic Forecasting [16.543085296174496]
  EpiGNNは、流行予測のためのグラフニューラルネットワークベースのモデルである。 本研究では,送信リスク,地理的依存関係,時間的情報を考慮した地域意識グラフ(RAGL)を開発した。 EpiGNNはRMSEにおいて最先端のベースラインを9.48%上回っている。
  論文  参考訳（メタデータ） (2022-08-23T14:29:04Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• A spatiotemporal machine learning approach to forecasting COVID-19 incidence at the county level in the United States [2.9822184411723645]
  本稿では,米国内の郡レベルでの新型コロナウイルスの流行を予測するための,長期記憶アーキテクチャに基づくデータ駆動型モデルであるCOVID-LSTMを提案する。 われわれは、時間的入力として毎週の新規症例数と、Facebookのハンドエンジニアリングによる空間的特徴を用いて、疾患の時間的および空間的拡散を捉えている。 4週間の予測で、私たちのモデルは平均50のケースで、COVIDhubアンサンブルよりも正確です。
  論文  参考訳（メタデータ） (2021-09-24T17:40:08Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。