PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2511.23276v2cs.LG

구조화된 LLM 에이전트를 활용한 감사 가능한 상황 인식 HFMD 예측

Auditable Context-Aware HFMD Forecasting with Structured LLM Agents

효과적인 HFMD 감시를 위해서는 시계열 패턴과 학교 일정, 기상, 정책 또는 감시 보고서와 같은 상황적 요인을 모두 포착하는 예측이 필요하다. 임상 환경에서 예측은 신뢰할 수 있고 실행 가능해야 하므로, 의사결정권자는 점 예측 정확도를 넘어 위험이 상승하거나 하강할 것으로 예상되는 이유에 대한 간결하고 감사 가능한 설명을 요구한다. 전통 모델(예: ARIMA, Prophet)과 파운데이션 모델(예: Chronos, Moirai, TimesFM)은 외부 공변량을 수치 입력으로 취급하여, 역학적 기전을 반영하거나 상충하는 신호를 해소하는 의미적 추론이 부족하다. 우리는 상황 해석과 확률적 예측을 분리하는 2-에이전트 신경-기호(neuro-symbolic) 프레임워크를 제안한다. LLM 기반 이벤트 해석기(Event Interpreter)는 학교 일정, 기상 요약, 정부 보고서, 임상 지침 등 이질적 신호를 수집하여 스칼라 전파 영향 신호를 출력한다. 예측 생성기(Forecast Generator)는 이 신호와 과거 사례 수를 결합해 점 예측을 생성하고, 포아송(Poisson)/음이항(negative-binomial) 모멘트 매칭을 통해 확률적 예측으로 매핑한다. 우리는 1주 앞 롤링 예측에 초점을 맞추며, 이는 주간 병원 수용 능력 계획 및 HFMD에 전형적인 급속하고 상황 기반 변곡점과 일치한다. 두 데이터셋에서 평가한다: 홍콩 감시 데이터(2023--2024년 대상 주 90주)와 리수이(Lishui) 병원 방문 데이터(2024년 대상 주 33주). 전통 및 파운데이션 모델 베이스라인 대비, 우리 접근법은 경쟁력 있는 점 예측 정확도를 달성하는 동시에 견고한 90% 구간(커버리지 약 0.85--1.00)과 간결한 근거를 제공한다. 이는 LLM 기반 에이전트를 통해 도메인 지식을 통합하면 강력한 수치 예측 모델과 대등한 성능을 달성하면서도, 공중보건 의사결정에 부합하는 해석 가능하고 상황 인식 예측을 제공할 수 있음을 보여준다.

arXiv:2607.11272v1stat.ML

데이터 부족 뎅기열 예측을 위한 장기 기억 저장소 컴퓨팅

Long-Memory Reservoir Computing for Data-Scarce Dengue Forecasting

정확한 뎅기열 예측은 공중 보건 계획에 필수적이지만, 발생 시계열이 짧고 잡음이 많으며 비정상적이고 비선형적인 데다 장거리 시간적 의존성의 영향을 자주 받아 여전히 어려운 과제로 남아 있다. 자기회귀 분수 적분 이동평균(ARFIMA)에서의 분수 차분은 비정상성과 지속성의 균형을 맞추는 데 도움이 되지만, 선형 구조로 인해 비선형 동역학을 포착하는 능력이 제한된다. 심층 신경망은 비선형 패턴을 모델링할 수 있으나 일반적으로 대규모 학습 샘플을 필요로 하며 통계적 장기 기억을 명시적으로 인코딩하지 않는다. 에코 상태 네트워크(ESN)는 널리 사용되는 저장소 컴퓨팅 프레임워크로, 비선형 순환 동역학을 유지하면서 간단한 판독부만 학습하여 데이터 부족 환경에 적합하다는 장점이 있다. 그러나 표준 ESN은 시계열 관점에서 장기 기억이 부족하다. 본 연구는 전용 장기 기억 및 단기 기억 ESN 저장소를 릿지 회귀 판독부와 통합하는 장기 기억 저장소 컴퓨팅 프레임워크를 제안한다. 우리는 두 가지 변형을 도입한다: 장거리 의존성을 직접 인코딩하기 위해 분수 차분 동역학을 저장소에 통합하는 분수 ESN(fESN)과, 기억 인식 저장소로 모델링하기 전에 웨이블릿 평활화를 통해 안정적인 저주파 성분을 추출하는 웨이블릿 ESN(wESN)이다. 우리는 폐루프 저장소 동역학에 대한 이론적 보장을 확립하여, 표준 ESN이 온화한 조건 하에서 단기 기억 과정을 유도하는 반면 제안된 장기 기억 저장소는 통계적 장기 기억과 일치하는 다항식 감쇠 의존성을 생성함을 보인다. 여러 뎅기열 데이터셋과 예측 구간에 걸쳐 fESN과 wESN은 통계적·심층 학습 기반 베이스라인을 능가한다. 등각 예측(conformal prediction)을 fESN 및 wESN과 결합하면 분포 무관 보정 불확실성 구간을 제공한다.

arXiv:2603.07108v2stat.ML

전염병 확률적 예측을 위한 심층 생성 시공간 엔그레션

Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics

전염병의 시공간적 확률 예측을 위해 사전 가산 잡음(pre-additive noise) 메커니즘과 에너지 스코어 최적화를 결합한 경량 심층 생성 프레임워크 MVEN, GCEN, STEN을 제안하며, 이 모델들은 불확실성을 내생적으로 정량화하여 별도의 보정 없이 예측 구간을 생성한다. 6개 역학 데이터셋에 걸친 평가에서 기존 시공간 벤치마크 대비 점 예측과 확률적 예측 모두에서 우수한 성능을 보였으며, 시공간 엔그레션 과정의 기하학적 에르고딕성과 점근적 정상성에 대한 이론적 보장도 확립하였다.

arXiv:2606.22171v1cs.LG

시계열을 넘어: 다중모드 학습을 통한 유행병 예측의 공간적 추론

Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning

유행병 예측 모델은 일반적으로 행정 구역 단위로 보고된 감시(surveillance) 데이터에 의존하며, 이를 원자적 단위로 취급함으로써 질병 역학을 형성하는 하위 지역 수준의 공간 구조를 가립니다. 우리는 지역 수준의 시간적 감시 데이터와 해상도 및 구조 면에서 정렬되지 않은(misaligned) 공간적으로 국한된 보조 신호를 통합하는, 공간적으로 구조화된 다중모드 유행병 예측 설정을 제안합니다. 이는 현실적인 공중보건 보고 제약을 반영합니다. 이 공식화를 바탕으로, 우리는 M-SPICE(Multimodal SPatIal Context for Epidemic Forecasting, 유행병 예측을 위한 다중모드 공간 맥락)를 제안합니다. M-SPICE는 시간적 질병 역학과 공간 맥락에 대해 어텐션 기반 다중모드 융합을 통해 결합 추론을 수행하는 구조 인식 시공간 예측 프레임워크로, 공간 신호가 예측 구간 전반에 걸쳐 시간적 표현을 선택적으로 조건화할 수 있게 합니다. 우리는 현실적인 실시간 평가 프로토콜 하에서 COVID-19, 인플루엔자, 인플루엔자 유사 질환(ILI) 예측 과제에 대해 본 접근법을 평가합니다. 모든 예측 설정에서 본 방법은 최신 다변량 시계열, 다중모드, 역학 예측 기준선들을 일관되게 능가하면서 강력한 확률적 예측 성능을 유지합니다. 마지막으로, 해석 가능성 분석을 통해 공간 신호가 언제, 어디서, 어떻게 활용되는지 밝혀 내어, 순수하게 시간적이고 지역 집계된 모델이 가장 실패하기 쉬운 설정을 강조합니다.

arXiv:2606.19560v1cs.LG

전염병 예측을 통한 시계열 파운데이션 모델의 주요 특징 이해

Understanding Key Features of Time Series Foundation Models from Epidemic Forecasting

계절성 인플루엔자는 매년 미국에서 수백만 명을 감염시키고 상당한 발병률과 사망률을 유발하므로, 정확한 단기 예측은 핵심 공중 보건 요구 사항입니다. 전염병 시계열에 대한 신뢰할 수 있는 예측은 예방 접종 시기, 병원 인력 배치 및 자원 할당에 정보를 제공할 수 있지만, 전염병 감시 데이터에 대한 현대적 예측 아키텍처의 비교 행동은 아직 충분히 규명되지 않았습니다. 우리는 1~4주 앞선 예측을 위해 시간 및 공간 일반화 설정 하에서 인플루엔자 유사 질환(ILI) 감시 및 인플루엔자 관련 입원 시계열을 사용한 지역별 인플루엔자 예측의 체계적인 평가를 통해 이러한 격차를 해결합니다. 우리는 고전적인 신경망 아키텍처, 수치 기반 트랜스포머 모델, 사전 학습된 시계열 파운데이션 모델, 그리고 LLM 기반 예측 접근 방식을 비교합니다. 모든 작업에 걸쳐, 우리는 여러 사전 학습된 예측기를 융합하는 전문가 혼합(MoE) 모델이 가장 강력한 전반적인 성능을 달성함을 보여주며, 이는 이질적인 사전 학습 표현이 상호 보완적인 예측 정보를 제공함을 나타냅니다. 우리의 결과는 수치 기반 트랜스포머 모델이 신뢰할 수 있는 예측을 생성함을 추가로 보여주며, 사전 학습은 더 긴 예측 기간에서 가장 큰 이득을 제공하며, 특히 사전 학습 도메인이 인플루엔자 역학과 기전적으로 정렬될 때 그렇습니다. 대조적으로, 이 설정에서 LLM 기반 시계열 방법은 수치적 예측기에 비해 성능이 떨어집니다. 마지막으로, 우리는 입원 정보를 보조 공변량(auxiliary covariate)과 사전 학습 소스로 모두 고찰합니다. 입원 신호는 선택된 설정에서 상호 보완적인 개선을 제공하며, 추가적인 감시 스트림이 다중 시계 예측의 견고성을 향상시키는 시기를 명확히 합니다. 이러한 발견은 인플루엔자 대비를 위한 모델 선택, 사전 학습 전략 및 보조 신호 사용에 관한 실행 가능한 지침을 제공합니다.