본 논문은 대규모 언어 모델(LLM)을 활용한 새로운 전염병 예측 프레임워크인 EpiLLM을 제안합니다. EpiLLM은 감염 사례와 인간 이동성이라는 실제 전염병 전파의 주요 요소를 고려하여 이원적 구조를 통해 복잡한 전염병 패턴과 LLM의 언어 토큰 간의 미세한 토큰 수준 정렬을 달성합니다. 자기회귀 모델링 패러다임을 통해 전염병 예측 작업을 다음 토큰 예측으로 재구성하여 LLM의 다단계 예측 및 일반화 잠재력을 활용하고, 시공간 프롬프트 학습 기법을 도입하여 LLM의 전염병 인식 능력을 향상시킵니다. 실제 COVID-19 데이터셋에 대한 광범위한 실험 결과, EpiLLM은 기존 기준 모델보다 성능이 뛰어나며 LLM의 특징적인 확장성을 보여줍니다.
시사점, 한계점
•
시사점:
◦
LLM을 활용한 정확한 전염병 예측 가능성을 제시합니다.
◦
시공간적 요소를 고려한 새로운 전염병 예측 프레임워크를 제시합니다.
◦
기존 방법보다 우수한 예측 성능을 보여줍니다.
◦
LLM의 확장성을 전염병 예측에 적용 가능성을 입증합니다.
•
한계점:
◦
COVID-19 데이터셋에 대한 실험 결과만 제시되어 다른 전염병에 대한 일반화 가능성은 추가 연구가 필요합니다.
