時変再生数推定の条件付き逆推定

要約: 発生データから時変の再生数を推定することは感染症監視の中心的任務ですが、それは本質的に解が不安定で不適切な逆問題です。既存のアプローチは多くの場合、疫学モデルに由来する強い構造的仮定に依存しており、介入や行動変化によって誘発される非定常な伝播ダイナミクスへ適応する能力を制限することがあり、その結果、レジームシフトの検出が遅れ、推定精度が低下します。本研究では、過去の発生パターンと明示的な時間情報から潜在的再生数への {conditional mapping} を学習することで逆問題に対処する、条件付き逆再生学習フレームワーク（CIRL）を提案します。厳格に課されたパラメトリック制約を課すのではなく、CIRL は疫学的構造を柔軟な尤度ベースの統計モデリングと穏やかに統合し、再生方程式をフォワード演算子として動的整合性を強制します。結果として得られるフレームワークは、疫学的に根拠づけられた制約とデータ駆動の時系列表現を組み合わせ、観測ノイズに対して頑健でありながら、急激な伝播変化やゼロ過剰を伴う発生観測値にも対応できる再生数推定を生み出します。制御されたレジーム変化を伴う合成エピデミックと現実世界の SARS および COVID-19 データを用いた実験は、提案手法の有効性を示しています。