[論文レビュー] Physics-Informed Extreme Theory of Functional Connections Applied to Data-Driven Parameters Discovery of Epidemiological Compartmental Models

Enrico Schiassi, Andrea D’Ambrosio+3 more|arXiv (Cornell University)|Aug 12, 2020

Model Reduction and Neural Networks参考文献 18被引用数 9

ひとこと要約

本稿では、ノイズが混ざったおよびノイズのないデータから未知のパラメータを同定することで、疫学的区分モデル（SIR、SEIR、SEIRS）における逆問題を解くための、物理情報付き極端理論的接続（X-TFC）フレームワークを提案する。偏微分方程式（ODE）を関数的補間を用いてハード制約として埋め込むことで、X-TFCは低コストで高速かつ高精度かつロバストなパラメータ推定を可能にし、顕著なノイズレベル下でも過剰適合を回避する標準的回帰法を凌駕する。

ABSTRACT

In this work we apply a novel, accurate, fast, and robust physics-informed neural network framework for data-driven parameters discovery of problems modeled via parametric ordinary differential equations (ODEs) called the Extreme Theory of Functional Connections (X-TFC). The proposed method merges two recently developed frameworks for solving problems involving parametric DEs, 1) the Theory of Functional Connections (TFC) and 2) the Physics-Informed Neural Networks (PINN). In particular, this work focuses on the capability of X-TFC in solving inverse problems to estimate the parameters governing the epidemiological compartmental models via a deterministic approach. The epidemiological compartmental models treated in this work are Susceptible-Infectious-Recovered (SIR), Susceptible-Exposed-Infectious-Recovered (SEIR), and Susceptible-Exposed-Infectious-Recovered-Susceptible (SEIR). The results show the low computational times, the high accuracy and effectiveness of the X-TFC method in performing data-driven parameters discovery of systems modeled via parametric ODEs using unperturbed and perturbed data.

研究の動機と目的

• データのノイズやモデルの不確実性に敏感な、疫学的モデリングにおける不適切な逆問題の課題に対処すること。
• 理論的関数接続（TFC）と物理情報付きニューラルネットワーク（PINNs）を統合した決定論的で物理情報を組み込んだフレームワークを構築し、パラメータ同定におけるロバスト性と正確性を向上させること。
• 清浄およびノイズ混在データを用いたSIR、SEIR、SEIRSモデルのパラメータ推定において、X-TFCフレームワークの有効性を実証し、安定性と収束性を保証すること。
• 計算時間の短縮を図りながらも高い正確性を維持し、緊急対応シナリオにおけるリアルタイム更新を可能にすること。
• 標準的回帰ベースラインと比較することで、ノイズの多いデータへの過剰適合を回避する能力を検証すること。

提案手法

• 理論的関数接続（TFC）と極端学習機械（ELM）最適化を統合し、初期条件およびODE制約を正確に満たすパラメータ化された解を構築する。
• 区分モデル（SIR、SEIR、SEIRS）の支配的パラメトリック常微分方程式（ODE）を、ニューラルネットワークの損失関数にハード制約として埋め込み、物理的一致性を保証する。
• ODE系の残差とデータ不一致を最小化する決定論的最適化フレームワークを用い、パラメータを学習可能な変数として扱う。
• 入力重みとバイアスを固定することで学習を高速化する極端学習機械（ELM）アルゴリズムを適用し、最小限のハイパーパrameterチューニングで高速収束を実現する。
• 初期条件およびODEダイナミクスを内蔵する制約付き関数形を構築し、探索空間を縮小し、学習の安定性を向上させる。
• ノイズレベルが増加する（δ = 0.1, 1, 3）未加工およびノイズ混在データセットを用いて、ロバストネスと一般化性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 X-TFCフレームワークは、ノイズ混在の観測データからSIR、SEIR、SEIRSモデルの未知パラメータを高精度に推定できるか？
• RQ2 データがノイズで汚染された場合、X-TFC手法は標準的回帰法と比較して過剰適合をどのように回避するか？
• RQ3 さまざまなノイズレベル下で、X-TFCは疫学的モデルの逆問題を解く際にどの程度の計算効率を示すか？
• RQ4 ネットワークアーキテクチャにODE系の物理法則を埋め込むことで、解の安定性と正確性はどの程度向上するか？
• RQ5 データポイント数が限られたり、データが著しく摂動された場合でも、X-TFCは高精度なパラメータ推定を維持できるか？

主な発見

• SIRモデルにおいてノイズなしの場合、X-TFCは3イテレーションで0.004秒のCPU時間で正確なパラメータ回復を達成し、すべてのパラメータの絶対誤差が0であった。
• 10％のノイズ（δ = 0.1）の下で、X-TFCはβ = 0.2971（誤差：2.9×10⁻³）、γ = 0.5996（誤差：3.7×10⁻⁴）、σ = 0.9005（誤差：4.9×10⁻⁴）、R₀ = 0.4955（誤差：4.5×10⁻³）を推定し、高い正確性を示した。
• SEIRモデルにおいてδ = 3の場合、X-TFCはすべてのパラメータについて絶対誤差5×10⁻²未満を達成し、β = 0.2130（誤差：8.7×10⁻²）、γ = 0.5878（誤差：1.2×10⁻²）、σ = 0.9141（誤差：1.4×10⁻²）、R₀ = 0.3624（誤差：1.4×10⁻¹）を示し、高ノイズ下でもロバストであることを示した。
• SEIRSモデルにおいてδ = 3の場合、ζ = 0.5576（誤差：5.8×10⁻²）を含め、すべてのパラメータについて絶対誤差6×10⁻²未満を達成し、高摂動下でも信頼性の高い性能を示した。
• SEIRSモデルにおいてδ = 3の下でパラメータ推定に110イテレーションおよび1.36秒を要したため、スケーラビリティと低コスト計算を示した。
• X-TFCは、高ノイズレベル下でも標準的回帰法を常に上回り、高いパラメータ誤差が小さいことから、ノイズの多いデータへの過剰適合を回避する能力を裏付けた。