MiCA: 경량 전염병 예측을 위한 이동성 정보 기반 인과 어댑터

MiCA: A Mobility-Informed Causal Adapter for Lightweight Epidemic Forecasting

전염병 역학의 정확한 예측은 공중 보건 계획 및 개입에 있어 매우 중요하다. 인간의 이동성은 전염병의 공간적 확산을 형성하는 데 중심적인 역할을 하지만, 이동성 데이터는 잡음이 많고 간접적이며 질병 기록과 신뢰성 있게 통합하기 어렵다. 한편, 전염병 사례 시계열 데이터는 일반적으로 길이가 짧고 낮은 시간 해상도로 보고된다. 이러한 조건들은 깨끗하고 풍부한 데이터에 의존하는 매개변수가 많은(parameter-heavy) 이동성 인식 예측 모델의 효율성을 제한한다. 본 연구에서는 전염병 예측을 위한 경량이며 아키텍처에 구애받지 않는 모듈인 이동성 정보 기반 인과 어댑터(MiCA)를 제안한다. MiCA는 인과 발견을 통해 이동성 관계를 추론하고, 게이트 잔차 혼합(gated residual mixing)을 통해 이를 시계열 예측 모델에 통합한다. 이러한 설계는 그래프 신경망이나 전체 어텐션(full attention)과 같은 무거운 관계형 구성 요소를 도입하지 않고도, 경량 예측 모델이 잡음이 많고 데이터가 제한적인 상황에서 견고함을 유지하면서 이동성에서 파생된 공간 구조를 선택적으로 활용할 수 있게 한다. COVID-19 발병률, COVID-19 사망률, 인플루엔자, 뎅기열을 포함한 4가지 실제 전염병 데이터셋에 대한 광범위한 실험 결과, MiCA는 경량 시계열 백본 모델의 성능을 일관되게 향상시켰으며, 예측 기간 전반에 걸쳐 평균 상대 오차를 7.5% 감소시켰다. 또한, MiCA는 경량성을 유지하면서도 최신 시공간 모델과 경쟁력 있는 성능을 달성한다.

Accurate forecasting of infectious disease dynamics is critical for public health planning and intervention. Human mobility plays a central role in shaping the spatial spread of epidemics, but mobility data are noisy, indirect, and difficult to integrate reliably with disease records. Meanwhile, epidemic case time series are typically short and reported at coarse temporal resolution. These conditions limit the effectiveness of parameter-heavy mobility-aware forecasters that rely on clean and abundant data. In this work, we propose the Mobility-Informed Causal Adapter (MiCA), a lightweight and architecture-agnostic module for epidemic forecasting. MiCA infers mobility relations through causal discovery and integrates them into temporal forecasting models via gated residual mixing. This design allows lightweight forecasters to selectively exploit mobility-derived spatial structure while remaining robust under noisy and data-limited conditions, without introducing heavy relational components such as graph neural networks or full attention. Extensive experiments on four real-world epidemic datasets, including COVID-19 incidence, COVID-19 mortality, influenza, and dengue, show that MiCA consistently improves lightweight temporal backbones, achieving an average relative error reduction of 7.5\% across forecasting horizons. Moreover, MiCA attains performance competitive with SOTA spatio-temporal models while remaining lightweight.