arXiv:2602.06323v2 cs.LG

How (Not) to Hybridize Neural and Mechanistic Models for Epidemiological Forecasting

Yiqi Su, Ray Lee, Jiaming Cui, Naren Ramakrishnan

제출 2026-02-06

원문 초록

Epidemiological forecasting from surveillance data is a hard problem and hybridizing mechanistic compartmental models with neural models is a natural direction. The mechanistic structure helps keep trajectories epidemiologically plausible, while neural components can capture non-stationary, data-adaptive effects. In practice, however, many seemingly straightforward couplings fail under partial observability and continually shifting transmission dynamics driven by behavior, waning immunity, seasonality, and interventions. We catalog these failure modes and show that robust performance requires making non-stationarity explicit: we extract and extrapolate multi-scale structure from the observed infection series and use it as an interpretable control signal for a controlled neural ODE coupled to an epidemiological model. Concretely, we decompose infections into trend, seasonal, and residual components and use these signals to drive continuous-time latent dynamics while jointly forecasting and inferring time-varying transmission, recovery, and immunity-loss rates. Across early outbreak and multi-wave regimes, our approach attains the lowest RMSE on all five datasets (27-70% reduction over the strongest baseline), achieves the best peak detection accuracy, and recovers time-varying epidemiological rates within ground-truth ranges, without relying on auxiliary covariates.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2602.06323v2제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.27867v1cs.LG공통 태그 Time Series Analysis, Prediction, Time Series Forecasting

평가 선택이 예측 리더보드를 결정한다: 실제 운영 마켓플레이스 패널로부터의 증거

Evaluation Choices Decide the Forecasting Leaderboard: Evidence from a Production Marketplace Panel

예측 벤치마크는 어떤 방법이 이겼는지를 보고한다. 우리는 그 답이 모델을 학습하기도 전에 평가자의 선택에 의해 정해진다는 점을 보인다. 우리는 2025년대의 시계열 파운데이션 모델(time series foundation model) 6종을 포함한 24가지 예측 방법과 교과서적 기준 방법 하나를, 67개월에 걸친 1,887개 기업 고객으로 구성된 실제 운영 마켓플레이스 패널에서 벤치마크한다. 데이터, 예측 구간(horizon), 기간은 고정하고 평가 설계만 변화시킨다. 세 가지 선택은 각각 핵심 결론을 뒤집거나 무효화한다. 분석 단위를 시장 전체에서 개별 고객으로 바꾸면, 우리의 운영 기준선(baseline)은 19개 중 2위이며 어떤 방법에도 지지 않던 상태에서 25개 중 23위로 이동한다. 이 경우 24개 도전 방법 중 19개가 기준선을 능가한다. 오차를 얼마나 풀링(pooling)하는지에 따라 Diebold-Mariano 검정이 무언가를 발견하는지 여부 자체가 달라진다. 점 예측 대신 예측 구간을 평가하면 순위가 거의 완전히 뒤바뀌며, 간헐적 수요(intermittent demand)에서 순위 상관은 0.02이다. 이어서 실제 배포된 시스템이 이로부터 무엇을 얻는지 측정한다. 이 시스템의 선택 규칙은 아무것도 하지 않는 경우와 사후적 이점(hindsight)을 활용해 선택하는 경우 사이의 거리 중 55%를 확보한다. 이러한 순위 역전은 우리 데이터만의 특이한 현상이 아니다. 우리는 공개된 프로토콜을 수정 없이 공개 M5 소매 패널에서 실행했다. 동일한 형태의 기준선은 시장 전체 수준에서는 1위, 시계열별 수준에서는 모든 방법에 뒤지는 꼴찌를 기록하며, 재현 실행한 선택 규칙은 그곳에서 동일한 하한-상한 간 거리의 64.7%를 메운다. 그 후보군에 제로샷(zero-shot) 파운데이션 모델 5종을 추가하면 전체 수준의 우승자는 바뀌지만 이러한 양상은 바뀌지 않는다. 예측 구간의 사각지대 역시 그대로 나타나, 컨포멀(conformal) 구간은 가장 변동이 심한 품목에서 커버리지가 가장 크게 부족하다. 우리 패널을 점점 더 작은 그룹으로 나누면 이 대비는 하나의 곡선이 되며, 세분화 수준이 높아질 때마다 기준선의 순위는 악화된다. 우리는 평가 프로토콜을 공개하며, 발견하기 전까지 결과를 뒤집어 놓았던 우리 자신의 오류도 함께 보고한다.

arXiv:2609.27903v1cs.AI공통 태그 Time Series Analysis, Prediction, Time Series Forecasting

추세 예측 기반 복합 교통 네트워크 보안 회복탄력성 복구 방법

A Resilience Recovery Method for Complex Traffic Network Security Based on Trend Forecasting

정보 기술의 급속한 발전으로 항공, 항우주, 차량, 선박, 전력, 산업 등 다양한 분야에 걸쳐 거대하고 복잡한 교통 네트워크가 구축되었다. 그러나 구조의 복잡성과 다양성으로 인해 복합 교통 네트워크는 공격에 취약하며 심각한 보안 과제에 직면한다. 따라서 본 논문은 회복탄력성 추세 예측에 기반한 교통 네트워크 회복탄력성 복구 방법을 혁신적으로 제안한다. 본 논문에서는 네트워크 장애 전파 과정 분석에 위험값을 도입하고, Susceptible, Infectious, Recovered, Dead-Risk(SIRD-R) 장애 전파 모델을 구축한다. 네트워크 회복탄력성 지지 능력과 회복탄력성 복구 능력을 통합하여 실시간 회복탄력성과 전체 회복탄력성을 포괄하는 교통 네트워크 회복탄력성 모델을 구성한다. 이어서 장단기 메모리(LSTM) 네트워크를 이용해 복합 교통 네트워크의 회복탄력성을 예측하고, 예측에 기반한 복합 교통 네트워크 회복탄력성 복구 전략을 제안한다. 마지막으로 다양한 복합 교통 네트워크에 대한 실험 분석을 통해 제안 방법의 효과성과 확장성을 입증하고, 실제 시나리오에서의 적용 가능성을 확인한다.

arXiv:2609.23074v1cs.AI공통 태그 Time Series Analysis, Prediction, Time Series Forecasting

이벤트 시그니처 전이: 과거 이벤트로부터 모델에 무관한 예측 시나리오 구성

Event Signature Transfer: Model-Agnostic Forecast Scenario Construction from Historical Events

예측자들은 종종 어떤 이벤트가 임박했는지는 알지만, 그 영향의 형태·규모·시점은 알지 못하는 경우가 많다. 본 논문은 완료된 과거 이벤트를 명시적인 예측 시나리오로 바꾸는, 학습이 필요 없고 모델에 무관한 연산자인 이벤트 시그니처 전이(Event Signature Transfer, EST)를 제안한다. EST는 소스 이벤트 고유의 추세와 계절성을 제거한 뒤, 남은 이벤트 시그니처를 스케일 조정·시간 재배치하여 기본(native) 예측 위에 얹으며, 예측의 연계 구조를 보존하고 강도가 0일 때는 그 예측과 정확히 일치한다. 출력 분위(quantile)만 사용하므로 전이 시점에 학습이나 모델 내부 접근 없이 임의의 분위 예측 모델에 적용할 수 있다. Chronos-2, TimesFM-2.5, Toto-2.0에서 열두 건의 실제 에피소드와 열 가지 합성 시나리오에 대해, 수동 설정 EST는 실제 에피소드의 표본 내(in-sample) WQL을 21.7–90% 감소시켰다. Chronos-2에서는 공변량 조건화, 활성화 편집, 원시 재현(raw replay)과의 열두 번 짝 맞춤 비교 중 열한 번에서 우수했다. 이 연산자는 시나리오를 구성할 뿐, 그 가능도는 추정하지 않는다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.