[論文レビュー] Accurate Calibration of Agent-based Epidemiological Models with Neural Network Surrogates

Rushil Anirudh, Jayaraman J. Thiagarajan+4 more|arXiv (Cornell University)|Oct 13, 2020

demographic modeling and climate adaptation参考文献 19被引用数 5

ひとこと要約

本稿では、米国各地の都市部におけるEpiCastエージェントベース型疫学モデルを、複数の都市部にわたり効率的にキャリブレーションするためのニューラルネットワーク補間モデルを提案する。多様なMSA（都市統計地域）からの人口正規化済みデータを統合して訓練することで、グローバル（例：ウイルスの伝播能）およびローカル（例：初期感染数）パラメータの正確でスケーラブルな事後分布推定を可能にし、計算制約下でも標準的なキャリブレーション手法を著しく上回る性能を発揮する。

ABSTRACT

Calibrating complex epidemiological models to observed data is a crucial step to provide both insights into the current disease dynamics, i.e.\ by estimating a reproductive number, as well as to provide reliable forecasts and scenario explorations. Here we present a new approach to calibrate an agent-based model -- EpiCast -- using a large set of simulation ensembles for different major metropolitan areas of the United States. In particular, we propose: a new neural network based surrogate model able to simultaneously emulate all different locations; and a novel posterior estimation that provides not only more accurate posterior estimates of all parameters but enables the joint fitting of global parameters across regions.

研究の動機と目的

• EpiCastのような計算コストの高いエージェントベース型モデル（ABM）を、現実の疫学的データにキャリブレーションする課題に対処すること。
• 異なる地域的条件を有する複数の地理的領域において、ブルートフォースなパラメータ探索が高コストであるという課題を克服すること。
• 多様な都市統計地域（MSA）にわたり、EpiCastの挙動を模倣する、一様で一般化可能なニューラルネットワーク補間モデルを開発すること。
• 統一されたフレームワークを通じて、グローバル（ウイルス特性）およびローカル（地域固有の初期条件）パラメータの同時推定を可能にすること。
• パラメータの縛りと事前分布制約の新たな正則化戦略を導入することで、不適切に定義された逆問題に対処し、キャリブレーションの精度を向上させること。

提案手法

• EpiCastの多数のシミュレーション結果を用い、複数の米国都市部（MSA）における人口正規化済み感染曲線を出力とする、深層ニューラルネットワーク補間モデルを訓練する。
• 全MSAにわたるモデル挙動を同時に模倣できる共通アーキテクチャを採用し、未学習の地域に対しても転移学習を可能にする。
• 補間モデルを用いた、グローバルおよびローカルパラメータを同時に最適化する、新しい事後分布推定戦略を実装する。
• 正則化目的を導入する：(a) 最適化中に複数地域にわたるグローバルパラメータの縛りを設け、(b) パラメータ値がトレーニングデータで観測された値に近づくように制約を課す。
• ニューラルネットワーク補間モデルの高速推論を活用し、直接的なEpiCastシミュレーションでは不可能な複雑な最適化およびサンプリングベースのキャリブレーションを実現する。
• 補間モデルの精度を検証するため、元のEpiCastシミュレータを用いて、キャリブレーション後の事後分布サンプルと観測された感染曲線を比較する。

実験結果

リサーチクエスチョン

• RQ1 1つのニューラルネットワーク補間モデルが、複数の未学習の都市部においてもEpiCastの挙動を効果的に一般化して模倣できるか？
• RQ2 補間モデルを用いたグローバルおよびローカルパラメータの同時推定は、個別地域のキャリブレーションと比較して、キャリブレーション精度をどのように向上させるか？
• RQ3 特にグローバルパラメータの縛りと事前分布制約という正則化戦略が、高次元かつ不適切に定義された逆問題において、事後分布推定の安定性と精度をどの程度向上させるか？
• RQ4 補間モデルベースのキャリブレーション手法は、有効再生産数や無症候性感染率といった感受度の高いモデルパラメータを信頼性高く回復できるか？
• RQ5 人口正規化された出力空間の使用は、地理的に多様なMSAにわたる補間モデルの一般化性能と転送性をどの程度向上させるか？

主な発見

• ニューラルネットワーク補間モデルは、未学習の都市部に対しても正確に一般化され、各地域の追加シミュレーションを要せず、信頼性の高いキャリブレーションを可能にする。
• 正則化を施した同時最適化により、有効再生産数や無症候性感染率といった感受度の高いパラメータの事後分布推定が著しく改善される。
• 補間モデルは、直接的なEpiCastシミュレーションと比較して、キャリブレーション時間を数桁短縮し、複雑な最適化戦略の実行を可能にする。
• グローバルパラメータの縛りと事前分布制約による正則化は、解空間を効果的に制限し、不適切に定義された逆問題における過剰適合の回避と収束性の向上を実現する。
• 補間モデルを介して生成された事後分布サンプルは、全テスト対象MSAにおいて観測された感染曲線とよく一致するEpiCast出力を得ており、優れた予測適合性を示す。
• 本手法により、地域間で一貫したグローバル生物学的パラメータ（例：無症候性感染の割合）の推定が可能となり、個別地域のキャリブレーションによって生じる不整合を回避できる。