[2026年7月29日提出]

PDFを表示 HTML (experimental)

Abstract:多週間の正確なデング熱予測は、タイムリーな媒介蚊対策介入、アウトブレイクへの備え、医療資源配分を支援します。しかし、新たに確立された監視システムでは、信頼性の高いニューラル予測モデルを訓練するために必要な過去データが不足していることが多いです。事前学習済みの時系列モデルは有望なゼロショット予測を提供しますが、クロスドメインでの訓練では地域の疫学動態を捉えられない場合があります。我々は、データが限定的な状況下でのデング熱予測のための転移可能残差疫学適応ネットワークであるTREA-Netを提案します。TREA-Netは、環境時系列感受性感染回復モデルからの投影をニューラル予測バックボーンに追加し、データ豊富な地域からデータ不足地域へ転移可能な軽量なゲート付き残差補正を学習します。そのノード不変設計は、異なる場所数を持つ監視システムに対応し、ターゲット適応では2つのグローバルパラメータの学習のみを必要とします。コロンビアとニカラグアでの長期デング熱監視から、メキシコとマレーシアでの8週間先予測へ、ターゲットデータ78または104週のみを使用して知識を転移します。5つのニューラルバックボーンと10の転移設定において、TREA-Netは10設定中9で対応するバックボーンを改善し、統計的に有意な向上を示しました。予測用基盤モデルであるTiRexと統合した場合、全てのターゲットデータセットで最低の平均絶対誤差を達成しました。コンフォーマル予測は、メキシコにおいて8週間の予測区間幅を29.6%削減しつつ、経験的被覆率を維持しました。これらの結果は、限定的な監視データを持つ保健機関向けの軽量でポータブルな早期警戒フレームワークとしてのTREA-Netの可能性を示しています。

投稿履歴

投稿者: Tanujit Chakraborty [メールを表示]
[v1] 2026年7月29日 水曜日 12:37:19 UTC (4,864 KB)