EI-Loss：通过HSIC引导的信号-噪声分离技术提升传染病预测能力

《Computational Biology and Chemistry》：EI-Loss: Enhancing infectious disease forecasting via HSIC-guided signal-noise separation

　　

天一峰|易代|余黄|罗春燕

• •
  提出了一种名为EI-Loss的模型，该模型通过HSIC（High-Sensitivity Independent Component Analysis）引导的独立性检验方法，首次实现了将传播信号与监测噪声区分开来的流行病预测损失计算。
• •
  首次为HSIC在周尺度流行病预测中的应用推导出了有限样本下的泛化界限，证明了基于MSE（Mean Squared Error）训练的模型会系统性地低估真实误差。
• •
  在三个流感数据集上实现了最先进的预测性能，平均MSE降低了11.2–15.8%，在60周的预测期限内准确率提升了19.6%。
• •
  该模型对超参数、核函数选择以及替代噪声分布具有很强的鲁棒性，且仅增加了18%–25%的训练时间开销。
• •
  将流行病预测的目标从曲线匹配转变为残差随机性对齐，为考虑噪声影响的公共卫生建模提供了新的范式。