[論文レビュー] Data Assimilation Predictive GAN (DA-PredGAN): applied to determine the spread of COVID-19

Silva Vls, Heaney Ce+2 more|arXiv (Cornell University)|May 17, 2021

Model Reduction and Neural Networks参考文献 55被引用数 6

ひとこと要約

本稿では、疫学的予測のための予測モデリングとデータ同調を統合する生成的敵対的ネットワーク（GAN）フレームワーク、DA-PredGANを紹介する。コンpartimental疾病モデルの低次元化されたモデルにGANを埋め込むことで、COVID-19の広がりを正確に予測し、GANが内在的に持つアドジョイントに類似した性質を活用して、リアルタイムのデータを効率的に同調させ、正確な状態推定とパラメータ推定を可能にする。

ABSTRACT

We propose the novel use of a generative adversarial network (GAN) (i) to make predictions in time (PredGAN) and (ii) to assimilate measurements (DA-PredGAN). In the latter case, we take advantage of the natural adjoint-like properties of generative models and the ability to simulate forwards and backwards in time. GANs have received much attention recently, after achieving excellent results for their generation of realistic-looking images. We wish to explore how this property translates to new applications in computational modelling and to exploit the adjoint-like properties for efficient data assimilation. To predict the spread of COVID-19 in an idealised town, we apply these methods to a compartmental model in epidemiology that is able to model space and time variations. To do this, the GAN is set within a reduced-order model (ROM), which uses a low-dimensional space for the spatial distribution of the simulation states. Then the GAN learns the evolution of the low-dimensional states over time. The results show that the proposed methods can accurately predict the evolution of the high-fidelity numerical simulation, and can efficiently assimilate observed data and determine the corresponding model parameters.

研究の動機と目的

• 生成的敵対的ネットワーク（GAN）を画像生成を超えて、計算モデリングにおける予測およびデータ同調タスクに応用することの可能性を探ること。
• 複雑な空間時間的疫学的モデルに、疎でノイズの多い現実世界の測定値を効率的に統合する課題に対処すること。
• GANが内在的に持つアドジョイントに類似した挙動を活用して、時間の遡及的状態およびパラメータ推定を実現し、モデルのキャリブレーションを向上させること。
• GANを低次元モデル（ROM）フレームワーク内に組み込むことで、計算的に効率的な方法で感染症の広がりをシミュレートおよび予測することが可能であることを実証すること。

提案手法

• 高精度なコンpartimental疫学的モデルから導出された低次元状態表現の時間的変化を学習するために、生成的敵対的ネットワーク（GAN）を訓練する。
• GANを、シミュレーションの全空間的状態を低次元の潜在空間に投影することで計算コストを削減する低次元モデル（ROM）に埋め込む。
• 生成器は時間の前向きにシミュレーションを行い、妥当な状態軌道を生成するが、識別器は生成された状態と真の状態を区別することで現実性を保証する。
• データ同調は、観測データを訓練済みのGANを逆方向に伝搬させることで実行され、GANが内蔵する暗黙のアドジョイントに類似した性質を活用して、一貫性のある初期状態およびモデルパラメータを推定する。
• フレームワークにより、明示的なアドジョイントモデルの導出を必要とせずに、長期予測と観測データを用いたモデル状態のリアルタイム補正が可能になる。
• 本手法は、空間的および時間的ダイナミクスを有する架空の町モデルを用いて検証され、合成観測を用いて予測精度および同調性能をテストした。

実験結果

リサーチクエスチョン

• RQ1 明示的な力学系統合を伴わずに、GANを空間時間的疫学的モデルの時間的変化予測に効果的に用いることができるか？
• RQ2 GANベースのフレームワークは、リアルタイム測定値を効率的に同調させ、モデル状態を補正し、未知のパラメータを推定する能力はどの程度か？
• RQ3 GANが内在的に持つアドジョイントに類似した性質が、複雑なモデルにおける時間の遡及的状態推定をどの程度効率的に可能にするか？
• RQ4 低次元モデルフレームワーク内にGANを組み込むことで、フルオーダーのシミュレーションと比較して、予測精度を維持しつつ計算コストを大幅に削減できるか？
• RQ5 DA-PredGANフレームワークは、伝統的なデータ同調手法と比較して、感染症広がりモデリングにおける精度および効率性の点でどのように優れているか？

主な発見

• DA-PredGANフレームワークは、高精度な数値シミュレーションの時間的変化を高い正確性で予測し、GANが疫学的モデルにおける時間的予測に有効であることを示している。
• 本手法は、GANが内蔵する暗黙のアドジョイントに類似した挙動を活用して、明示的なアドジョイント計算を必要とせずに、観測データを効率的にモデルに統合し、正確な状態およびパラメータ推定を可能にした。
• 低次元モデル内での運用により、予測の忠実性を保ちながらも、顕著な計算コストの削減を達成した。
• GANが時間の前向きおよび後向きに両方でシミュレーションを行う能力のおかげで、疎でノイズの多い観測値を用いてもモデル状態の強固な補正が可能となった。
• 結果から、GANが空間時間的ダイナミクスの意味のある低次元表現を学習していることが確認され、正確な長期予測およびデータ同調が可能であることが示された。
• 高速な推論と信頼性の高いデータ統合を組み合わせることで、公衆衛生モデリングにおけるリアルタイム応用の可能性を示した。