[論文レビュー] Group Sparse Bayesian Learning for Active Surveillance on Epidemic Dynamics

Hongbin Pei, Bo Yang+2 more|arXiv (Cornell University)|Nov 21, 2017

COVID-19 epidemiological studies被引用数 9

ひとこと要約

本稿では、疫病動態における能動的監視のためのグループスパースベイズ学習フレームワークを提案し、システム全体の挙動を予測するための重要なセンチネル成分を特定する新しい$\bm{\nu}$-ベースの$\bm{\nu}$-値測定を導入する。影響をロウスパースなネットワークとしてモデル化し、EMおよび変分推論を用いることで、最小限の監視で正確な予測が可能となり、合成データおよびH1N1インフルエンザ、マラリア、ソーシャルメディアの連鎖反応を含む実世界データにおいて、既存手法を上回る性能を発揮する。

ABSTRACT

Predicting epidemic dynamics is of great value in understanding and controlling diffusion processes, such as infectious disease spread and information propagation. This task is intractable, especially when surveillance resources are very limited. To address the challenge, we study the problem of active surveillance, i.e., how to identify a small portion of system components as sentinels to effect monitoring, such that the epidemic dynamics of an entire system can be readily predicted from the partial data collected by such sentinels. We propose a novel measure, the gamma value, to identify the sentinels by modeling a sentinel network with row sparsity structure. We design a flexible group sparse Bayesian learning algorithm to mine the sentinel network suitable for handling both linear and non-linear dynamical systems by using the expectation maximization method and variational approximation. The efficacy of the proposed algorithm is theoretically analyzed and empirically validated using both synthetic and real-world data.

研究の動機と目的

• 限られた監視リソースの下で、全体の疫病動態を予測するための少数の重要な成分（センチネル）を同定すること。
• 線形および非線形力学系の両方に対応できる柔軟でスケーラブルな手法を開発すること。
• 既存の予算制約付き最大カバレッジ手法が事前に既知の相互作用構造を必要とするという限界を克服すること。
• 不確実性とスパarsityを扱えるベイズ学習フレームワークを設計し、センチネルネットワークを推論すること。

提案手法

• センチネルネットワークにおけるロウスパarsityに基づき、影響力のある成分を同定するための新しい重要度測定として$\bm{\nu}$-値を導入する。
• センチネルネットワークをグループスパース学習問題としてモデル化し、影響力のあるソース成分（センチネル）のみを保持する。
• センチネルネットワークパラメータの事後分布を推論するために、変分近似を用いた期待値最大化（EM）フレームワークを採用する。
• 特にシグモイド関数の下界に基づく解析的近似を用いて、ハイパーパrameterの更新ルールを導出する。
• 大規模システム向けに、対角ブロック構造を効率的に処理する行列演算を導入することで、スケーラビリティを最適化する。
• 線形連続およびロジスティック離散力学系の両方への適用を可能にし、広範な適用可能性を実現する。

実験結果

リサーチクエスチョン

• RQ1 監視コストを最小限に抑えるために、動的システム内の最も情報量の多い成分（センチネル）をどのように同定できるか？
• RQ2 相互作用構造が未知または隠されている状況で、システム成分の予測的重要度を原理的かつデータ駆動的に評価する測定法は何か？
• RQ3 グループスパースベイズ学習フレームワークは、線形および非線形力学系の両方において、影響関係の影響力のある関係を効果的にモデル化・推論できるか？
• RQ4 提案手法は、既存のセンサ配置戦略と比較して、予測精度およびリソース効率の面でどのように優れているか？
• RQ5 本手法は、複雑な時空間的ダイナミクスを示す実世界の疫病システムへどの程度スケーラブルに適用できるか？

主な発見

• 提案手法は、香港のH1N1インフルエンザおよび騰衝のマラリアの実世界データセットにおいて、最先端の手法（GPs-MI）を上回る疫病動態の予測性能を発揮した。
• 香港H1N1研究では、SNMAがGPs-MIよりも顕著に高い予測精度を示し、自治体レベルのデータにおいてより低い平均二乗誤差を達成した。
• 騰衝のマラリア監視においては、18町中8町（44％）をセンチネルとして同定し、これが全疫病動態を正確に予測するのに十分であった。
• バイドゥ・ティーバのセンチネルネットワークでは、100コミュニティ中66コミュニティ（66％）を10の独立したホットトピック連鎖の主要インフルエンサーとして同定し、スケーラビリティと関連性を示した。
• 本手法は、最小限の監視で高い予測精度を達成しており、監視コストの低減と信頼性の維持の両面でその有効性を確認した。
• 最適化された行列演算によるスケーラビリティの向上により、大規模システムにおける効率的な推論が可能となり、アルゴリズムの実用的導入可能性を検証した。