Buchumschlag

Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pathak, Rajdeep, Chakraborty, Tanujit
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

EnTransformer: A Deep Generative Transformer for Multivariate Probabilistic Forecasting
von: Pathak, Rajdeep, et al.
Veröffentlicht: (2026)

Theoretical Analysis of Engression and Reverse Markov Engression
von: Huang, Jiaqi, et al.
Veröffentlicht: (2026)

Engression: Extrapolation through the Lens of Distributional Regression
von: Shen, Xinwei, et al.
Veröffentlicht: (2023)

E-STGCN: Extreme Spatiotemporal Graph Convolutional Networks for Air Quality Forecasting
von: Panja, Madhurima, et al.
Veröffentlicht: (2024)

Robust Spatiotemporal Epidemic Modeling with Integrated Adaptive Outlier Detection
von: Shi, Haoming, et al.
Veröffentlicht: (2025)

Interpretable Water Level Forecaster with Spatiotemporal Causal Attention Mechanisms
von: Hong, Sungchul, et al.
Veröffentlicht: (2023)

ProbRes: Volatility Learning for Probabilistic Time-Series Forecasting
von: Wang, Tingting, et al.
Veröffentlicht: (2026)

Exact and Approximate MCMC for Doubly-intractable Probabilistic Graphical Models Leveraging the Underlying Independence Model
von: Chen, Yujie, et al.
Veröffentlicht: (2025)

Graph Convolutional Support Vector Regression for Robust Spatiotemporal Forecasting of Urban Air Pollution
von: Jahan, Nourin, et al.
Veröffentlicht: (2026)

Generalized Machine Learning for Fast Calibration of Agent-Based Epidemic Models
von: Najafzadehkhoei, Sima, et al.
Veröffentlicht: (2025)

EpiCastBench: Datasets and Benchmarks for Multivariate Epidemic Forecasting
von: Panja, Madhurima, et al.
Veröffentlicht: (2026)

Invariant Probabilistic Prediction
von: Henzi, Alexander, et al.
Veröffentlicht: (2023)

Bayesian Machine Learning for Estimating Optimal Dynamic Treatment Regimes with Ordinal Outcomes
von: Wang, Xinru, et al.
Veröffentlicht: (2025)

Dynamic Bayesian Learning for Spatiotemporal Mechanistic Models
von: Banerjee, Sudipto, et al.
Veröffentlicht: (2022)

Spatiotemporal Besov Priors for Bayesian Inverse Problems
von: Lan, Shiwei, et al.
Veröffentlicht: (2023)

DeepVARMA: A Hybrid Deep Learning and VARMA Model for Chemical Industry Index Forecasting
von: Li, Xiang, et al.
Veröffentlicht: (2024)

Epidemic-guided deep learning for spatiotemporal forecasting of Tuberculosis outbreak
von: Barman, Madhab, et al.
Veröffentlicht: (2025)

Probabilistic Modelling is Sufficient for Causal Inference
von: Mlodozeniec, Bruno, et al.
Veröffentlicht: (2025)

Robust Spatiotemporally Contiguous Anomaly Detection Using Tensor Decomposition
von: Mondal, Rachita, et al.
Veröffentlicht: (2025)

Probabilistic Factorial Experimental Design for Combinatorial Interventions
von: Shyamal, Divya, et al.
Veröffentlicht: (2025)

DoFlow: Flow-based Generative Models for Interventional and Counterfactual Forecasting on Time Series
von: Wu, Dongze, et al.
Veröffentlicht: (2025)

Forecasting with Hyper-Trees
von: März, Alexander, et al.
Veröffentlicht: (2024)

Building Trees for Probabilistic Prediction via Scoring Rules
von: Shashaani, Sara, et al.
Veröffentlicht: (2024)

Improving Forecasts for Heterogeneous Time Series by "Averaging", with Application to Food Demand Forecast
von: Neubauer, Lukas, et al.
Veröffentlicht: (2023)

WaveCatBoost for Probabilistic Forecasting of Regional Air Quality Data
von: Borah, Jintu, et al.
Veröffentlicht: (2024)

Deep Discrete Encoders: Identifiable Deep Generative Models for Rich Data with Discrete Latent Layers
von: Lee, Seunghyun, et al.
Veröffentlicht: (2025)

A Novel Hybrid Approach to Contraceptive Demand Forecasting: Integrating Point Predictions with Probabilistic Distributions
von: Hewage, Harsha Chamara, et al.
Veröffentlicht: (2025)

GST-UNet: A Neural Framework for Spatiotemporal Causal Inference with Time-Varying Confounding
von: Oprescu, Miruna, et al.
Veröffentlicht: (2025)

Identifiable Deep Generative Models via Sparse Decoding
von: Moran, Gemma E., et al.
Veröffentlicht: (2021)

Sequential Conditional Transport on Probabilistic Graphs for Interpretable Counterfactual Fairness
von: Machado, Agathe Fernandes, et al.
Veröffentlicht: (2024)

Bayesian Empirical Bayes: Simultaneous Inference from Probabilistic Symmetries
von: Wu, Bohan, et al.
Veröffentlicht: (2025)

Deep Generative Quantile Bayes
von: Kim, Jungeum, et al.
Veröffentlicht: (2024)

SC3D: Dynamic and Differentiable Causal Discovery for Temporal and Instantaneous Graphs
von: Das, Sourajit, et al.
Veröffentlicht: (2026)

PQMass: Probabilistic Assessment of the Quality of Generative Models using Probability Mass Estimation
von: Lemos, Pablo, et al.
Veröffentlicht: (2024)

Causal Diffusion Autoencoders: Toward Counterfactual Generation via Diffusion Probabilistic Models
von: Komanduri, Aneesh, et al.
Veröffentlicht: (2024)

Soft Mean Expected Calibration Error (SMECE): A Calibration Metric for Probabilistic Labels
von: Leznik, Michael
Veröffentlicht: (2026)

From Observations to Causations: A GNN-based Probabilistic Prediction Framework for Causal Discovery
von: Rashid, Rezaur, et al.
Veröffentlicht: (2025)

Probabilistic size-and-shape functional mixed models
von: Wang, Fangyi, et al.
Veröffentlicht: (2024)

Spatiotemporal Forecasting of Traffic Flow using Wavelet-based Temporal Attention
von: Jakhmola, Yash, et al.
Veröffentlicht: (2024)

Toward the Identifiability of Comparative Deep Generative Models
von: Lopez, Romain, et al.
Veröffentlicht: (2024)