TREA-Net: A Transferable Residual Epidemiological Adaptation Network for Dengue Incidence Forecasting
TREA-Net 是一种用于登革热发病率预测的可迁移残差流行病学适应网络，在数据有限的情况下，通过环境时间序列易感-感染-恢复模型的投影增强神经预测骨干，并学习轻量级门控残差校正，从数据丰富的地区迁移到数据稀缺的地区。其节点不变设计适应不同数量的监测地点，目标适应仅需学习两个全局参数。研究从哥伦比亚和尼加拉瓜的长期登革热监测迁移知识，使用仅78或104周的目标数据，对墨西哥和马来西亚进行8周提前预测。在五个神经骨干和十个迁移设置中，TREA-Net 表现出有效性。
发展脉络
- 首次出现TREA-Net: A Transferable Residual Epidemiological Adaptation Network for Dengue Incidence ForecastingarXiv cs.LG
- 当前判断TREA-Net 展示了在数据稀缺条件下利用迁移学习进行疾病预测的可行性，这对于新建立监测系统的地区尤为重要。该方法可能推动公共卫生领域采用更高效的预测工具，尤其是在资源有限的环境中。Agent Pulse · 分析
TREA-Net 是一种用于登革热发病率预测的可迁移残差流行病学适应网络，旨在解决新建立监测系统缺乏历史数据的问题。它通过环境时间序列易感-感染-恢复模型的投影增强神经预测骨干，并学习轻量级门控残差校正，实现从数据丰富地区到数据稀缺地区的知识迁移。其节点不变设计适应不同数量的监测位置，目标适应仅需学习两个全局参数。研究从哥伦比亚和尼加拉瓜的长期监测迁移知识，使用仅78或104周的目标数据，对墨西哥和马来西亚进行8周提前预测。在五个神经骨干和十个迁移设置中，TREA-Net 表现出有效性。
TREA-Net 的核心创新在于将流行病学模型（环境时间序列易感-感染-恢复模型）的投影与神经预测骨干结合，并通过轻量级门控残差校正实现跨区域迁移。其节点不变设计允许适应不同数量的监测位置，目标适应仅需学习两个全局参数，显著降低了迁移成本。这一方法在数据稀缺场景下（仅78或104周目标数据）实现了有效的8周提前预测，表明结合领域知识的时间序列模型在少样本迁移中具有潜力。
TREA-Net 展示了在数据稀缺条件下利用迁移学习进行疾病预测的可行性，这对于新建立监测系统的地区尤为重要。该方法可能推动公共卫生领域采用更高效的预测工具，尤其是在资源有限的环境中。
TREA-Net 为公共卫生机构提供了一种在数据有限情况下进行登革热预测的工具，有助于及时干预和资源分配。对于提供疾病预测服务的公司，该方法可能增强其产品在数据稀缺市场的适用性。
未来，TREA-Net 可能扩展到其他传染病或更广泛的时空预测任务，其迁移机制有望在更多数据稀缺场景中应用。可验证的下一信号包括在更多地区或疾病上的验证，以及开源代码的发布。