周波数整合損失とスペクトルフィルタリングによる長期インフルエンザ予測の改善

科学分野:

• 疫学
• 時系列分析
• 機械学習

背景:

• 長期間の季節性インフルエンザ予測は、急速な誤差の増大という課題に直面しています。
• 予測は、季節的サイクルとアウトブレイクの相互作用によって複雑化します。
• 既存のモデルでは、罹患率データの自己相関が見過ごされがちであり、精度に影響を与えています。

研究 の 目的:

• 長期季節性インフルエンザ予測のための高度な予測モデルを開発すること。
• 現在の予測手法の限界、特に誤差の増大と自己相関に対処すること。
• インフルエンザ予測の解釈可能性と安定性を向上させること。

主な方法:

• スペクトル適応フィルタリングネットワークと周波数整合直接損失を組み合わせた周波数認識パイプラインを導入しました。
• モデルはスペクトル帯域を分離し、一時的なイベントに対してウィンドウ固有のフィルタを使用します。
• バイアスを削減するために、時間領域と周波数領域の同時監視のための凸損失関数を採用しました。

主要な成果:

• 様々な米国地域において、24週間の予測期間で平均二乗誤差（MSE）を6-15%、平均絶対誤差（MAE）を2-20%削減しました。
• 既知の疫学的周期性と一致する、解釈可能なバンドパス応答を示しました。
• 最適な性能のためには、時間周波数領域の同時監視と二重フィルタリングが必要であることを確認しました。

結論:

• 明示的なスペクトル分解と自己相関を考慮したトレーニングは、安定した解釈可能な長期インフルエンザ予測のための堅牢な方法を提供します。
• 提案されたモジュラー目的関数は、同様のエラー削減のために他のアーキテクチャに統合できます。
• このアプローチは、インフルエンザ予測の精度と信頼性を向上させるための原理的な方法を提供します。