TREA-Net: A Transferable Residual Epidemiological Adaptation Network for Dengue Incidence Forecasting

기술 요약: 뎅기열 발생 예측을 위한 TREA-Net

문제 정의
정확한 다주간(multi-week) 뎅기열 예측은 매개체 제어 조치와 의료 자원 배분에 있어 매우 중요합니다. 그러나 새로 구축된 감시 체계는 신뢰할 수 있는 신경망 예측 모델을 훈련하는 데 필요한 충분한 과거 데이터를 결핍하고 있는 경우가 많습니다. 사전 학습된 시계열 파운데이션 모델(foundation models)이 유망한 제로샷(zero-shot) 능력을 제공하긴 하지만, 이들은 기계론적 지식보다는 사전 학습 과정에서 습득한 통계적 패턴에 의존하기 때문에 국지적인 역학적 역동성을 포착하는 데 실패하는 경우가 많습니다. 반대로, 순수 기계론적 모델(예: SIR 변형 모델)은 비선형 상호작용과 행동적 반응을 포착하는 데 어려움을 겪습니다. 본 연구가 다루는 핵심 과제는, 사전 학습된 예측 백본(backbone)을 보존하고 타겟 특화 적응을 최소화하면서, 데이터가 풍부한 소스 지역의 기계론적 역학 지식을 구조적으로 다른 데이터 희소 타겟 시스템으로 어떻게 전이할 것인가 하는 점입니다.

방법론
저자들은 제한된 데이터 환경에서의 뎅기열 예측을 위해 설계된 모듈형 전이 학습 프레임워크인 TREA-Net(Transferable Residual Epidemiological Adaptation Network)을 제안합니다. 이 방법론은 세 가지 핵심 구성 요소로 이루어집니다:

1. ETSIR 기계론적 사전 정보(Mechanistic Prior): 프레임워크는 기후 민감형 뎅기열 역동성을 인코딩하기 위해 환경 시계열 Susceptible–Infected–Recovered(ETSIR) 모델을 활용합니다. 이 모델은 지연된 발생률(lagged incidence)과 함께 강수량 및 온도의 비선형 효과를 통합합니다. 손실 함수에 기계론적 방정식을 직접 임베딩하는 전통적인 방식과 달리, TREA-Net은 ETSIR 투영(projection)을 압축된 기계론적 사전 정보 입력 특징으로 사용합니다. 정보 누출을 방지하기 위해 미래의 기상 입력값은 훈련 기간의 기후 평균값으로 대체됩니다.
2. N-불변 게이트 잔차 수정(N-Invariant Gated Residual Correction): TREA-Net은 잔차 수정을 학습하는 경량의 공유 가중치 신경 모듈을 채택합니다. 이 모듈은 사전 학습된 백본(예: LSTM, TiRex)의 정규화된 예측값과 ETSIR 투영값, 그리고 이들의 절대적 차이를 입력으로 받습니다. 이후 백본의 예측을 교정하기 위한 게이트 값($g$)과 잔차 조정값($\Delta$)을 출력합니다. 결정적으로, 이 모듈은 **노드 불변(N-invariant)**적입니다. 즉, 노드별 매개변수나 고정된 공간적 위상 구조를 포함하지 않습니다. 이 모듈은 각 호라이즌-지역 쌍(horizon-region pair)에 대해 독립적으로 작동하여, 서로 다른 수의 행정 단위가 존재하는 감시 체계 간에도 전이가 가능하도록 합니다.
3. 이중 스칼라 타겟 적응(Two-Scalar Target Adaptation): 백본이나 교정 모듈을 재학습하지 않고도 새로운 데이터 희소 타겟 지역에 적응하기 위해, TREA-Net은 오직 두 개의 글로벌 타겟 특화 매개변수인 스케일 인자($\gamma$)와 오프셋($\beta$)만을 도입합니다. 이 매개변수들은 전이된 잔차 교정의 크기와 오프셋을 조정합니다. 이러한 설계는 타겟 시스템 내의 지역 수와 관계없이 단 두 개의 매개변수만을 학습하면 되도록 보장하며, 이를 통해 저데이터 환경에서의 과적합을 방지합니다.

주요 기여

• 전이 가능한 기계론적 적응: 본 논문은 ETSIR 투영과 사전 학습된 예측을 사용하여 역학적 가이드를 잠재적 잔차 교정으로 공식화합니다. 결과물인 어댑터는 포인트 단위이며 N-불변적입니다. 이는 단 두 개의 글로벌 매개-변수만을 요구하여, 모니터링되는 지역의 수가 다른 시스템 간의 전이를 용이하게 합니다.
• 다국가 저데이터 평가: 저자들은 데이터가 풍려한 시스템(콜롬비아 및 니카라과)으로부터 데이터가 희소한 타겟(멕시코 및 말레이시아)으로 지식을 전이함으로써 프레임워크의 효능을 입증했습니다. 이때 타겟 관측치는 단 78주 또는 104주만을 사용했습니다. 평가는 5개의 신경 백본과 10개의 전이 설정을 대상으로 수행되었습니다.
• 오픈 프레임워크: 저자들은 현실적인 저데이터 전이 설정 하에서 사용자 정의 예측 모델의 재현 가능한 평가를 지원하기 위해 TREA-Net 구현체와 평가 파이프라인을 공개할 것을 약속합니다.

결과
실험은 콜롬비아, 니카라과, 말레이시아, 멕시코의 주간 하위 국가 뎅기열 데이터를 대상으로 수행되었습니다. 프레임워크는 LSTM, N-HiTS, TCN, PatchTST, 그리고 사전 학습된 파운데이션 모델인 TiRex 등 5개의 예측 백본에 대해 테스트되었습니다.

• 성능 향상: 5개의 백본과 10개의 전이 설정 전반에 걸쳐, TREA-Net은 10개 설정 중 9개에서 통계적으로 유의미한 이득(Wilcoxon 부호 순위 검정, $\alpha=0.05$)과 함께 해당 백본의 성능을 개선했습니다.
• 베이스라인과의 비교: 단독 ETSIR 모델은 특히 데이터가 희소한 시나리오에서 상당히 높은 오차를 기록했습니다. ETSIR-PINN과 같은 하이브리드 모델은 개선을 보였으나 가장 강력한 시퀀스 모델 베이스라인들을 능가하지는 못했습니다.
• 최적의 구성: TREA-Net을 제로샷 TiRex 파운데이션 모델과 통합했을 때 모든 타겟 데이터셋에서 가장 낮은 평균 절대 오차(MAE)를 달 기록했습니다. 이는 제로샷 TiRex 베이스라인 대비 평균 7.1%의 오차 감소를 나타냅니다.
• 절제 연구(Ablation Studies): ETSIR 특징을 제거했을 때 말레이시아에서는 MAE가 7.5%, 멕시코에서는 11.5% 증가하여 기계론적 사전 정보의 가치를 확인했습니다. 교정을 타겟 데이터만으로 학습했을 경우(다중 소스 전이 없이) 성능이 더 낮게 나타나, 다중 소스 학습의 이점을 강조했습니다. 두 개의 글로벌 적응 매개변수를 노드별 매개변수로 대체했을 때는 일관된 개선이 없었으며 오히려 과적합 위험을 높였습니다.
• 불확실성 정량화: Conformal Prediction(EnbPI)과 결합했을 때, TREA-Net은 경험적 커버리지를 유지하면서도 멕시코의 경우 제로샷 베이스라인 대비 8주 예측 구간 폭을 29.6% 줄였습니다.

의의
본 논문은 TREA-Net을 제한된 감시 데이터와 컴퓨팅 자원으로 운영되는 보건 기관을 위해 특별히 설계된 경량화되고 휴대 가능한 조기 경보 프레임워크로 포지셔닝합니다. 역학적 교정을 예측 백본으로부터 분리하고 최소한의 타겟 특화 적응만을 요구함으로써, 이 프레임워크는 새롭게 구축되거나 데이터가 희소한 감시 체계에 신뢰할 수 있는 역학 예측을 배치하는 데 발생하는 공백을 메웁니다. 저자들은 이 접근 방식이 광범위한 재학습이나 대규모 과거 데이터 없이도 자원이 제한된 지역에서 조기 매개체 제어 계획 수립, 의료 자원 배분 및 위험 기반 의사결정을 지원한다고 주장합니다.