[논문 리뷰] Combining Graph Neural Networks and Spatio-temporal Disease Models to Predict COVID-19 Cases in Germany

Cornelius Fritz, Emilio Dorigatti외 1명|arXiv (Cornell University)|2021. 01. 03.

COVID-19 epidemiological studies참고 문헌 54인용 수 10

한 줄 요약

이 논문은 이동성 흐름과 공동 존재 확률을 통합하여 독일의 코로나19 확진자 수를 예측하기 위해 그래프 신경망(GNN)과 시공간 감염병 회귀를 조합한 하이브리드 모델을 제안한다. 이 모델은 벤치마킹에서 가장 낮은 평균제곱오차(MSE)를 기록하며 최신 기술 수준의 성능을 달성했으며, 사고적 불확실성과 애나토릭 불확실성을 효과적으로 정량화하여 공중보건 계획의 해석 가능성과 신뢰도를 향상시킨다.

ABSTRACT

During 2020, the infection rate of COVID-19 has been investigated by many scholars from different research fields. In this context, reliable and interpretable forecasts of disease incidents are a vital tool for policymakers to manage healthcare resources. Several experts have called for the necessity to account for human mobility to explain the spread of COVID-19. Existing approaches are often applying standard models of the respective research field. This habit, however, often comes along with certain restrictions. For instance, most statistical or epidemiological models cannot directly incorporate unstructured data sources, including relational data that may encode human mobility. In contrast, machine learning approaches may yield better predictions by exploiting these data structures, yet lack intuitive interpretability as they are often categorized as black-box models. We propose a trade-off between both research directions and present a multimodal learning approach that combines the advantages of statistical regression and machine learning models for predicting local COVID-19 cases in Germany. This novel approach enables the use of a richer collection of data types, including mobility flows and colocation probabilities, and yields the lowest MSE scores throughout our observational period in our benchmark study. The results corroborate the necessity of including mobility data and showcase the flexibility and interpretability of our approach.

연구 동기 및 목표

• 순수한 통계적 또는 투명하지 않은 기계학습 모델의 한계를 해결하기 위해 구조적 및 비구조적 데이터를 통합한다.
• 그래프 신경망과 분포 회귀 모델을 조합하여 예측 정확도와 해석 가능성을 향상시킨다.
• 기존의 표준 역학 모델에서 미처 충분히 활용되지 않았던 이동성 및 공동 존재 데이터를 통합된 예측 프레임워크에 통합한다.
• 보다 신뢰할 수 있는 공중보건 정책 결정을 위해 사고적 불확실성과 애나토릭 불확실성을 포함한 견고한 불확실성 정량화를 가능하게 한다.
• 이동성 데이터와 모델 정규화가 질병 전파의 자기상관 동적 특성을 포착하는 데 필수적임을 입증한다.

제안 방법

• 모델은 이동성 및 공동 존재 확률 데이터를 간선 특성으로 사용하여 독일 연방 지방의 공간적 의존성을 그래프 신경망(GNN)으로 인코딩한다.
• 사례 수를 불확실성 정량화와 함께 예측하기 위해 제로-과잉 포아송(ZIP) 기반의 분포 회귀 프레임워크를 사용한다.
• GNN은 다중 그래프 컨volution 레이어를 통해 노드 특성(예: 지연된 감염률)을 처리한 후, 장기 단기 기억(LSTM) 네트워크를 사용해 시간적 집계를 수행한다.
• 모델은 GNN 내 베이지안 드롭아웃으로부터 유도되는 사고적 불확실성과 ZIP 분포의 분산 파라미터로부터 유도되는 애나토릭 불확실성을 통합하여 종합적인 불확실성 추정을 수행한다.
• 예측 간격의 평가 및 校정을 위해 시간 경과에 따라 창이 확장되는 윈도우 학습 기법을 적용한다.
• 최종 예측은 GNN 임bedded 특성와 ZIP 분포를 조합하여 생성되며, 신뢰구간을 포함한 확률적 예측을 가능하게 한다.

실험 결과

연구 질문

• RQ1 그래프 신경망과 시공간 회귀를 조합한 하이브리드 모델이 독일의 코로나19 사례 예측 정확도를 향상시킬 수 있는가?
• RQ2 사례 역사 외에 이동성 및 공동 존재 데이터를 포함할 경우, 단순히 사례 이력만을 사용하는 모델과 비교해 예측 성능에 어떤 영향을 미치는가?
• RQ3 실제 패anemic 예측 환경에서 모델이 사고적 및 애나토릭 불확실성을 얼마나 잘 정량화하고 校정할 수 있는가?
• RQ4 농촌 및 도시 지방을 포함한 다양한 지역에서 모델의 불확실성 추정이 신뢰할 수 있고 잘 校정되어 있는가?
• RQ5 모델의 해석 가능성과 특성 중요도는 전통적인 역학 모델과 비교해 어떠한가?

주요 결과

• 제안된 모델은 전체 관측 기간 동안 모든 벤치마킹 모델 중 가장 낮은 평균제곱오차(MSE)를 기록하여 뛰어난 예측 성능을 입증했다.
• 모델의 사고적 불확실성은 예측 오차와 강하게 상관되어 있어 예측의 신뢰성 평가가 신뢰할 수 있음을 시사한다.
• 지연된 감염률의 부분 효과는 향후 사례 수와 강한 정의적 관계를 보이며, 이는 모델 내 핵심 구동 요인임을 확인한다.
• 애나토릭 불확실성 추정치는 사례 수의 산재를 잘 포착했으며, 모든 그룹, 주간 및 지방에서 관측된 사례의 약 80%를 예측 간격이 커버했다.
• 좋은 校정에도 불구하고, 특히 munich 및 뷌르포머른-르게 지역과 같이 고감염율 지역에서 감염 증가 폭이 급격할 경우 일부 예측 간격이 커버하지 못했다. 이는 애나토릭 불확실성의 校정 향상 여지가 있음을 시사한다.
• 앙상블 모델은 약간의 불편함 없이 잘 校정되어 있었으며, 두 주간에 대해 예측 편향의 통계적 유의성 차이가 없었다(p = 0.001 및 p = 0.0007), 장기 예측에서의 견고성을 시사한다.