[論文レビュー] Generating Similarity Map for COVID-19 Transmission Dynamics with Topological Autoencoder

Pitoyo Hartono|arXiv (Cornell University)|Apr 3, 2020

Fractal and DNA sequence analysis参考文献 7被引用数 10

ひとこと要約

本稿では、240か国以上の国々の時系列データを用いて、世界的なCOVID-19感染拡大のダイナミクスの類似性マップを生成するためのトポロジカルオートエンコーダー（TA）を提案する。感染者数の時間的推移の低次元トポロジカル表現を学習することで、類似した拡散パターンを示す国が空間的に隣接するクラスタとして可視化され、進化する世界的なダイナミクスを明らかにするとともに、異なる内部表現を通じて、緩和策の効果の直感的な比較を可能にする。

ABSTRACT

At the beginning of 2020 the world has seen the initial outbreak of COVID-19, a disease caused by SARS-CoV2 virus in China. The World Health Organization (WHO) declared this disease as a pandemic on March 11 2020. As the disease spread globally, it becomes difficult to tract the transmission dynamics of this disease in all countries, as they may differ in geographical, demographic and strategical aspects. In this short note, the author proposes the utilization of a type of neural network to generate a global topological map for these dynamics, in which countries that share similar dynamics are mapped adjacently, while countries with significantly different dynamics are mapped far from each other. The author believes that this kind of topological map can be useful for further analyzing and comparing the correlation between the diseases dynamics with strategies to mitigate this global crisis in an intuitive manner. Some initial experiments with with time series of patients numbers in more than 240 countries are explained in this note.

研究の動機と目的

• 国ごとのCOVID-19感染拡大ダイナミクスの類似性と相違点を捉える可視化ツールの開発を目的とする。
• 確定症例の時系列データをトポロジカル空間にマッピングすることで、国家の対応を直感的に比較可能にする。
• トポロジカルオートエンコーダーがパンデミック拡散パターンにおける隠れた構造的関係を明らかにできるかを検証すること。
• 類似したダイナミクスを示す国をクラスタリングする基盤を提供し、予測モデリングを支援すること。
• TAモデルの内部表現が、国ごとの感染拡大経路に意味のある差を符号化できることを示すこと。

提案手法

• 本手法は、240か国以上の国々の日次確定症例数を学習データとして用いた、トポロジカルオートエンコーダー（TA）を採用する。TAは、ソフトラベル付きトポロジカルオートエンコーダーの簡素化された非教師ありバージョンである。
• 隠れ層は、学習可能なリファレンスベクトルを持つ2次元グリッドのニューロンから構成され、入力ベクトルとリファレンスベクトルの間のユークリッド距離が最小となるユニット（最適一致ユニット、BMU）が選択される。
• 隣接関数 σ(j, win, t) は、BMUが隣接するニューロンに与える影響を制御し、時間経過とともにコサイン減衰スケジュールに従って冷却（アニーリング）される。
• 隠れ層出力 Hj は、BMUからの距離と現在の隣接領域サイズに基づくガウス型活性化関数を用いて計算される。
• 出力層は、隠れ活性化の重み付き和を用いて入力を再構築し、学習可能な出力重み V_k を有する。モデルは、平均二乗誤差を最小化するように確率的勾配降下法で訓練される。
• 最終的なトポロジカルマップでは、各国が2次元グリッド上の位置に割り当てられ、空間的な近接性が感染拡大ダイナミクスの類似性を反映する。

実験結果

リサーチクエスチョン

• RQ1 トポロジカルオートエンコーダーは、国ごとの世界的なCOVID-19感染拡大ダイナミクスの類似性と相違点を効果的に可視化できるか？
• RQ2 TAモデルの内部表現は、異なるパンデミック経路をたどる国々の間で意味のある差を捉えられるか？
• RQ3 類似性マップ上の国々の空間的配置は、時間経過とともに国家の対応戦略の変化をどのように反映するか？
• RQ4 類似した感染拡大パターンを示す国々は、どの程度マップ上でクラスタリングされるか。また、武漢（Hubei）やイタリアといった外れ値はどのように顕在化するか？
• RQ5 トポロジカルマップは、LSTMなどのモデルを用いた時系列予測の向上を支援するためのクラスタリングの基盤として機能できるか？

主な発見

• 韓国、イギリス、ベルギーのように類似した感染拡大ダイナミクスを示す国々は、マップ上で近接して配置された一方、韓国とイギリスのように異なる傾向を示す国々は空間的に分離された。
• 中国・湖北（Hubei）は、パンデミック初期段階で急激に拡大する感染者数の特徴から、早期に外れ値として浮き彫りになった。
• 2020年3月30日までに、マップは安定化し、多くの国々が一貫した拡散パターンに到達したことが示された。特にドイツとスペインの間で顕著な分岐が観察された。
• TAモデルの内部表現は、感染拡大が制御された韓国と、継続的に拡大を続けるイギリスの間で明確な差を示しており、モデルが動的特徴を符号化できる能力を示した。
• 米国、イタリア、湖北（Hubei）のような国々は、それぞれ特徴的な内部表現を示した。Hubeiは安定化したのに対し、米国とイタリアは急激に上昇する感染者曲線を示した。
• ベルギーとオランダの間で、マップ上の位置と内部表現の両方において類似性が確認され、両国の感染拡大ダイナミクスが類似していることが妥当性を確認した。