論文の概要: Universal Infectious Disease Forecasting with Mantis 2
- arxiv url: http://arxiv.org/abs/2611.16935v1
- Date: Thu, 12 Nov 2026 15:20:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.501735
- Title: Universal Infectious Disease Forecasting with Mantis 2
- Title(参考訳): Mantis 2 を用いたユニバーサル感染症予測
- Abstract要約: 公衆衛生機関は、感染拡大の進展、ピーク時、医療サービスへの需要の伸びを予見する必要がある。
私たちは以前、シミュレーションアウトブレイクで完全にトレーニングされたファンデーションモデル、Mantisを開発しました。
我々は16週間前に最大6変数を共同で予測するために、シミュレーションと観測を組み合わせたマンティス2を開発した。
- 参考スコア(独自算出の注目度): 1.9019168583720016
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Public health agencies need to anticipate how outbreaks will unfold, when they will peak, and how long demand on health services will remain elevated. We previously developed a foundation model, Mantis, which was trained entirely on simulated outbreaks---enabling us to generate the diversity and scale of training data needed to support forecasting across diseases. However, our previous work left unresolved when simulation improves predictions and how it should complement observational data. Here, we varied the balance of simulated and observed training data while holding forecasting tasks fixed and varying the available surveillance history. We found that simulation-rich training was particularly valuable with limited local history, and its relative advantage diminished as more observations became available. We also found that simulation-based training reduced exceptionally large forecast errors, suggesting that mechanistic knowledge can help compensate for limited local evidence. Building on these findings, we developed Mantis 2, which combines simulated and observational training to jointly forecast up to six variables sixteen weeks ahead. Across 30 forecasting tasks, Mantis 2 achieved the best aggregate probabilistic accuracy over short, medium, and long horizons among the machine learning, statistical, and baseline models evaluated. It missed roughly 30\% fewer outbreak peaks than the strongest comparison model, with successfully anticipated peaks identified more than six weeks in advance on average. We publicly release Mantis 2, enabling public health agencies and researchers to forecast disease outcomes without developing a separate model for each disease or location.
- Abstract(参考訳): 公衆衛生機関は、感染拡大の進展、ピーク時、医療サービスへの需要の伸びを予見する必要がある。
われわれは以前、Mantisという基礎モデルを開発し、そのモデルは完全にシミュレートされたアウトブレイクのシミュレーションに基づいて訓練した。
しかし、シミュレーションが予測を改善し、観測データを補完する方法について、これまでの研究は未解決のままであった。
ここでは、予測タスクを固定し、利用可能な監視履歴を変動させながら、シミュレーションおよび観察されたトレーニングデータのバランスを変化させた。
シミュレーションに富んだトレーニングは, 限られた地域史において特に有用であり, より多くの観測結果が得られれば, 相対的な優位性は低下することがわかった。
また,シミュレーションに基づくトレーニングは,極めて大きな予測誤差を低減し,機械的知識が限られた局所的な証拠を補うのに役立つことを示唆した。
これらの結果に基づいて,シミュレーションと観測を組み合わせたマンティス2を開発し,最大6変数を16週間前に予測した。
30回にわたる予測タスクにおいて、マンティス2は、機械学習、統計モデル、ベースラインモデルの評価において、短時間、中、および長い地平線に対して最高の集合確率精度を達成した。
平均して6週間以上のピークが予測されたため、最強の比較モデルよりも発生ピークが約30倍減った。
公衆衛生機関や研究者が、各疾患や場所の別モデルを開発することなく、病気の結果を予測することができるMantis 2を公開します。
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) - Mantis: A Simulation-Grounded Foundation Model for Disease Forecasting [0.0]
マンティス(Mantis)は、メカニカルシミュレーションで完全に訓練された基礎モデルである。
マンティスは、初期のパンデミックの予報で裏付けられたとき、CDCのCOVID-19予測ハブの全てのモデルよりも平均絶対誤差を低くした。
論文 参考訳(メタデータ) (2025-08-17T06:55:29Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳(メタデータ) (2024-04-26T16:39:50Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - 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) - 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)
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。