CAPE: Covariate-Adjusted Pre-Training for Epidemic Time Series Forecasting

要約

流行感染症の軌跡の正確な予測は、公衆衛生を保護するために重要です。
ただし、発生する発生中のデータの可用性は限られており、環境要因と疾患のダイナミクスとの複雑な相互作用は、効果的な予測に大きな課題をもたらします。
これに応じて、多様な地域からの広範な疾患データセットを活用し、環境要因をモデリングプロセスに直接統合するために、下流疾患に関するより情報に基づいた意思決定をモデリングプロセスに直接統合するために設計された新しい流行前の訓練フレームワークであるCapeを紹介します。
共変量調整フレームワークに基づいて、ケープは、潜在的な環境の影響を推定しなが​​ら、病気の普遍的なパターンを特定するために、階層環境と組み合わせたトレーニング前のトレーニングを利用します。
流行時系列データセットの多様なコレクションをまとめて、フルショット、少数のショット、ゼロショット、クロスロケーション、クロスディジーシーズ設定など、さまざまな評価シナリオでケープの有効性を検証しました。
フルショットで平均9.9％、ゼロショット設定で14.3％のベースライン。
コードは受け入れられるとリリースされます。

要約(オリジナル)

Accurate forecasting of epidemic infection trajectories is crucial for safeguarding public health. However, limited data availability during emerging outbreaks and the complex interaction between environmental factors and disease dynamics present significant challenges for effective forecasting. In response, we introduce CAPE, a novel epidemic pre-training framework designed to harness extensive disease datasets from diverse regions and integrate environmental factors directly into the modeling process for more informed decision-making on downstream diseases. Based on a covariate adjustment framework, CAPE utilizes pre-training combined with hierarchical environment contrasting to identify universal patterns across diseases while estimating latent environmental influences. We have compiled a diverse collection of epidemic time series datasets and validated the effectiveness of CAPE under various evaluation scenarios, including full-shot, few-shot, zero-shot, cross-location, and cross-disease settings, where it outperforms the leading baseline by an average of 9.9% in full-shot and 14.3% in zero-shot settings. The code will be released upon acceptance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google