[論文レビュー] COVID-19 Time-series Prediction by Joint Dictionary Learning and Online NMF

Hanbaek Lyu, Christopher Strohmeier+2 more|arXiv (Cornell University)|Apr 20, 2020

Fractal and DNA sequence analysis被引用数 7

ひとこと要約

本稿では、連合辞書学習とオンライン非負値行列分解（オンラインNMF）を用いた、モデルフリーな新規手法を提案する。多国間・多変数データ（確認済み症例、死亡者数、回復者数）から解釈可能な基本的時間的変化パターンを学習することで、オンラインNMFによる辞書原子の逐次的更新が可能となり、小規模データセットにおいても高い解釈性と計算効率を備えた正確な、再帰的かつ外挿的な1ステップ予測を実現する。

ABSTRACT

Predicting the spread and containment of COVID-19 is a challenge of utmost importance that the broader scientific community is currently facing. One of the main sources of difficulty is that a very limited amount of daily COVID-19 case data is available, and with few exceptions, the majority of countries are currently in the "exponential spread stage," and thus there is scarce information available which would enable one to predict the phase transition between spread and containment. In this paper, we propose a novel approach to predicting the spread of COVID-19 based on dictionary learning and online nonnegative matrix factorization (online NMF). The key idea is to learn dictionary patterns of short evolution instances of the new daily cases in multiple countries at the same time, so that their latent correlation structures are captured in the dictionary patterns. We first learn such patterns by minibatch learning from the entire time-series and then further adapt them to the time-series by online NMF. As we progressively adapt and improve the learned dictionary patterns to the more recent observations, we also use them to make one-step predictions by the partial fitting. Lastly, by recursively applying the one-step predictions, we can extrapolate our predictions into the near future. Our prediction results can be directly attributed to the learned dictionary patterns due to their interpretability.

研究の動機と目的

• 限られた、急速に変化する日次症例データにおいて、COVID-19の感染拡大と抑制の予測に直面する課題に対処すること。
• 低データ環境下での伝統的な区分モデルやデータ集約型のディープラーニング手法の限界を克服すること。
• 計算効率が高く、解釈可能で、リアルタイム対応可能な短期時系列予測手法を、健康関連分野に適用すること。
• 複数の相関する時系列（例：確認済み症例、死亡者数、回復者数）間の潜在的相関関係を連合辞書学習によって捉えること。
• ストリーミングデータからの辞書原子の適応的オンライン学習を活用し、再帰的かつ外挿的な予測を可能にすること。

提案手法

• 複数国・複数変数（確認済み症例、死亡者数、回復者数）の統合時系列データから、ミニバッチオンラインNMFを用いて初期の「要素的」な辞書原子を学習する。
• オンラインNMFを適用し、新たに到着する時系列観測値に応じて学習済みの辞書原子を継続的に適応・更新することで、リアルタイムでのモデル更新を可能にする。
• 各時刻で部分的フィッティングを実行し、現在の適応済み辞書原子に基づいて1ステップ先の予測を行う。
• 再帰的1ステップ予測を用いて将来の時系列値を外挿し、多次元空間における決定論的力学系を形成する。
• 辞書原子の解釈可能性を活用して、相関する時系列における基本的短期的変化パターンを特定・表現する。
• 再帰的外挿ステップにおいてL1正則化を採用し、予測のばらつきを制御し、過学習を低減する。

実験結果

リサーチクエスチョン

• RQ1 連合辞書学習は、小規模で相関する多国間のCOVID-19症例時系列から、解釈可能な基本的時間的変化パターンを効果的に抽出できるか？
• RQ2 オンラインNMFは、新規データに応じて辞書原子を動的に適応させつつ、予測精度と解釈可能性を維持できるか？
• RQ3 部分的フィッティングと再帰的外挿に基づく1ステップ予測は、実世界の限られたCOVID-19症例データにおいてどの程度の性能を示すか？
• RQ4 この手法の性能はハイパーパrameterにどの程度依存するか。また、小規模データやパrameterの変動に対してどれほど頑健か？
• RQ5 このモデルフリー手法は、症例数以外の健康関連時系列（例：マスコミトレンド、サプライチェーンデータ）にも一般化可能か？

主な発見

• 本手法は、確認済み症例、死亡者数、回復者数の相関する多国間時系列において、基本的短期的変化パターンを表す解釈可能な辞書原子を効果的に抽出できた。
• 部分的フィッティングに基づく1ステップ予測は、ばらつきが小さく、高い精度を示し、複数回の試行においても予測値がわずかな標準誤差の範囲内に収束した。
• 再帰的外挿により、安定した短期予測（例：30日先）が可能であり、小さなデータ摂動やハイパーパrameterの変更に対しても安定性を保った。
• 大規模データやモデル固有の仮定を必要とせず、小規模データセットでも正確な予測を達成でき、データが限られた環境下で従来手法を上回った。
• 本手法は計算効率が高く、標準的な個人用コンピュータでも実行可能であり、継続的なモデル改善が可能なリアルタイム・オンライン予測が可能となった。
• ミニバッチおよびオンラインNMFアルゴリズムの収束は、弱い仮定のもとで理論的に保証されており、頑健性と信頼性を裏付ける。