Qualificação de mestrado do discente Lucas Ribeiro, dia 15/07/2025 às 13:30.

Qualificação de mestrado do discente Lucas Ribeiro, dia 15/07/2025 às 13:30.

Titulo: Machine Learning for Public Health: A Comparative Study of Zero-Shot Time Series Foundation Models versus Statistical Baselines in Disease Forecasting

Resumo em Inglês:
Understanding the capabilities and limitations of modern time series models is essential for their effective use in domain-specific contexts. This study investigates the zero-shot forecasting performance of state-of-the-art Time Series Foundation Models (TSFMs) using real-world epidemiological data. Guided by a central hypothesis and three research questions, we benchmark several TSFMs, including TimesFM, ChronosT5Base, and Moirai variants, on monthly time series of notifiable diseases in Brazil, considering different forecast horizons and context lengths. Through robust evaluation using MASE and CRPS metrics, along with statistical significance testing, we find that TimesFM and ChronosT5Base consistently outperform classical statistical baselines, while others demonstrate architectural limitations. These findings contribute to a deeper methodological understanding of TSFMs in health-related forecasting scenarios and suggest that performance differences may arise from model design and training data characteristics. The results provide valuable insights to guide future model development and support more informed use of forecasting tools in public health decision-making

Resumo em Português:

Compreender as capacidades e limitações dos modelos modernos de séries temporais é essencial para seu uso eficaz em contextos específicos de aplicação. Este estudo investiga o desempenho de previsão zero-shot dos modelos fundacionais de séries temporais (Time Series Foundation Models – TSFMs) mais avançados, utilizando dados epidemiológicos reais. A partir de uma hipótese central e três perguntas de pesquisa, avaliamos comparativamente diversos TSFMs, incluindo TimesFM, ChronosT5Base e variantes do Moirai, em séries temporais mensais de doenças de notificação compulsória no Brasil, considerando diferentes horizontes de previsão e tamanhos de contexto. Por meio de uma avaliação robusta, utilizando as métricas MASE e CRPS, além de testes de significância estatística, observamos que o TimesFM e o ChronosT5Base superam consistentemente os modelos estatísticos clássicos, enquanto outros modelos apresentam limitações arquiteturais. Esses resultados contribuem para um entendimento metodológico mais aprofundado sobre o uso de TSFMs em cenários de previsão voltados à saúde, sugerindo que as diferenças de desempenho podem decorrer do design dos modelos e das características dos dados de treinamento. As conclusões oferecem subsídios valiosos para orientar o desenvolvimento de modelos futuros e apoiar o uso mais informado de ferramentas de previsão na tomada de decisão em saúde pública.

Data/Hora: 15 de Julho das 13:30 às 15:30.

Sala do meet: https://meet.google.com/xia-kefv-yrv
Banca: Prof. Dr. Jadson Castro Gertrudes (Orientador); Prof. Dr. Eduardo Jose da Silva Luz (Co-orientador); Prof. Dr. Ivair Ramos Silva