Компьютерные науки > Машинное обучение [представлено 27 апреля 2026 (v1), последнее пересмотренное 11 сентября 2026 года (эта версия, v2)) Название: Generative Displacement Models for Spiotemporal Provision influance View PDF HTML (экспериментальное) резюме: Предсказание случаев инфекционных заболеваний может дать важную информацию для руководства планированием в области здравоохранения, однако это трудно ввиду сложности динамики эпидемии. Нынешние механистические и статистические подходы часто сталкиваются с трудностями в плане учета неопределенности смешанных перевозок или возникающих тенденций. Инфлуорат адаптирует диффузионные вероятностные модели к прогнозированию эпидемии. Кодируя сезоны гриппа в виде снимков, на которых интенсивность пикселя отражает частоту заболевания, Influpaint учится богатому распределению динамики заболеваний из гибридного набора данных наблюдения и смоделированных траекторий. Прогнозы формулируются как условное поколение (покраска) на основе частичных наблюдений. Мы показываем, что инфлюорат генерирует реалистичные и разнообразные траектории эпидемии и обеспечивает прогнозную точность, которая конкурентоспособна с ведущими ансамблями в ретроспективной оценке. В 2023—2025 годах в режиме реального времени. Проблемы CCF FluSight значительно улучшились в течение сезонов, при этом весьма точные, но несколько завышенные прогнозы на 2023-2025 годы. Лучшие результаты были достигнуты благодаря набору учебных данных, содержащих 30% наблюдений и 70%…
Генерационные модели диффузии для прогнозирования сезонного гриппа
arXiv: 260424.24913v2 Тип объявления: заменить перекрестное резюме: прогнозирование распространения инфекционных заболеваний может обеспечить важную информацию для планирования общественного здравоохранения, однако это трудно из-за сложности динамики эпидемии. Нынешние механистические и статистические подходы часто сталкиваются с трудностями в плане учета неопределенности смешанных перевозок или возникающих тенденций. Инфлуорат адаптирует диффузионные вероятностные модели к прогнозированию эпидемии. Кодируя сезоны гриппа в виде снимков, на которых интенсивность пикселя отражает частоту заболевания, Influpaint учится богатому распределению динамики заболеваний из гибридного набора данных наблюдения и смоделированных траекторий. Прогнозы формулируются как условное поколение (покраска) на основе частичных наблюдений. Мы показываем, что инфлюорат генерирует реалистичные и разнообразные траектории эпидемии и обеспечивает прогнозную точность, которая конкурентоспособна с ведущими ансамблями в ретроспективной оценке. В 2023—2025 годах в режиме реального времени. CCC FlusSight c