[논문 리뷰] Coupling Power Laws Offers a Powerful Method for Problems such as Biodiversity and COVID-19 Fatality Predictions

Sam Ma|arXiv (Cornell University)|2021. 05. 23.

Data-Driven Disease Surveillance참고 문헌 28인용 수 5

한 줄 요약

이 논문은 다변화 현상(예: 생물다양성 및 코로나19 사망자 수 전환점)의 예측을 향상시키기 위해 테일러의 제곱법칙(TPL)과 지수 감쇠가 있는 제곱법칙(PLEC)을 결합하는 새로운 방법을 제안한다. TPL의 분산 추정과 PLEC의 渐近치 예측을 통합함으로써 장기적 추세에 대한 신뢰구간을 제공하며, 복잡하고 꼬리가 무거운 시스템에서 예측 정확도를 크게 향상시킨다.

ABSTRACT

Power laws have been found to describe a wide variety of natural (physical, biological, astronomic, meteorological, geological) and man-made (social, financial, computational) phenomena over a wide range of magnitudes, although their underlying mechanisms are not always clear. In statistics, power law distribution is often found to fit data exceptionally well when the normal (Gaussian) distribution fails. Nevertheless, predicting power law phenomena is notoriously difficult because some of its idiosyncratic properties such as lack of well-defined average value, and potentially unbounded variance. TPL (Taylor's power law), a power law first discovered to characterize the spatial and/or temporal distribution of biological populations and recently extended to describe the spatiotemporal heterogeneities (distributions) of human microbiomes and other natural and artificial systems such as fitness distribution in computational (artificial) intelligence. The power law with exponential cutoff (PLEC) is a variant of power-law function that tapers off the exponential growth of power-law function ultimately and can be particularly useful for certain predictive problems such as biodiversity estimation and turning-point prediction for COVID-19 infection/fatality. Here, we propose coupling (integration) of TPL and PLEC to offer improved prediction quality of certain power-law phenomena. The coupling takes advantages of variance prediction using TPL and the asymptote estimation using PLEC and delivers confidence interval for the asymptote. We demonstrate the integrated approach to the estimation of potential (dark) biodiversity and turning point of COVID-19 fatality. We expect this integrative approach should have wide applications given the duel relationship between power law and normal statistical distributions.

연구 동기 및 목표

• 생물다양성 및 팬데믹 사망 곡선과 같이 분산이 크고 평균이 정의되지 않는 제곱법칙 현상의 예측 과제를 해결하기 위해.
• 기존의 제곱법칙 모델이 천천히 수렴하는 점을 추정하지 못하고, 신뢰구간이 없는 한계를 극복하기 위해.
• 일관된 프레임워크 안에서 테일러의 제곱법칙(TPL)을 분산 모델링에, 지수 감쇠가 있는 제곱법칙(PLEC)을 천천히 수렴하는 점 추정에 통합하기 위해.
• 어두운 생물다양성 추정과 코로나19 팬데믹의 전환점 예측과 같은 실제 적용 사례에서 방법의 효과성을 입증하기 위해.

제안 방법

• 이 방법은 인구 분포의 평균과 분산 간의 관계를 모델링하는 테일러의 제곱법칙(TPL)을 사용하여 척도에 따라 변동성이 달라지는 현상을 포착한다.
• 지수 감쇠가 있는 제곱법칙(PLEC)을 통합하여 제곱법칙 성장을 완화시키고, 천천히 수렴하는 포인트를 추정할 수 있도록 한다.
• 결합된 모델은 데이터의 분산 구조를 TPL로 추정하고, 성장 감쇠를 PLEC로 모델링하여 예측된 천천히 수렴하는 포인트에 대한 신뢰구간을 도출한다.
• 이 접근법은 생물다양성 수치의 시계열 데이터와 누적 코로나19 사망자 수에 대해 결합 모델을 적합시켜 장기적 추세를 추정하는 데 적용된다.
• 제곱법칙의 이중적 성질인 꼬리가 두꺼운 행동(제곱법칙을 통한 TPL)과 제한된 성장(제곱법칙을 통한 PLEC)을 활용하여 더 견고한 모델링을 실현한다.
• 통계적 추론을 수행하여 예측된 천천히 수렴하는 포인트 주위의 신뢰구간을 도출함으로써 의사결정의 신뢰성을 향상시킨다.

실험 결과

연구 질문

• RQ1 TPL과 PLEC를 결합하면 생물다양성 및 팬데믹 사망 곡선과 같은 제곱법칙 현상의 장기적 추세 예측을 향상시킬 수 있는가?
• RQ2 분산 추정(TPL)과 천천히 수렴하는 포인트 예측(PLEC)을 통합함으로써, 단독 모델 대비 장기 예측에 대한 신뢰도가 어떻게 향상되는가?
• RQ3 이 결합 모델은 표본 수확의 제한으로 인해 탐지되지 못한 '어둠의 생물다양성'을 어느 정도 정확하게 추정할 수 있는가?
• RQ4 신뢰구간이 신뢰성 있게 제공되는 조건에서 이 모델은 코로나19 사망 곡선의 전환점을 정확하게 예측할 수 있는가?
• RQ5 이중 모델링 프레임워크는 실제 데이터에서 변동성과 포화 상태를 동시에 포착하는 데 있어 표준 제곱법칙 모델이나 지수 모델보다 뛰어난 성능을 보이는가?

주요 결과

• 결합된 TPL-PLEC 모델은 누적 코로나19 사망자 수의 천천히 수렴하는 포인트를 신뢰구간과 함께 성공적으로 추정하여 안정적인 전환점 예측이 가능하다.
• 이 방법은 예측된 천천히 수렴하는 포인트에 대한 신뢰구간을 제공하며, 이는 표준 제곱법칙 모델이 이러한 불확실성 정량화를 제공하지 못하는 점과 비교해 큰 개선이다.
• TPL의 분산 일치 성질을 활용해 희박한 표본 데이터에서 외삽함으로써 모델은 잠재적 '어둠의 생물다양성'을 강력하게 추정할 수 있다.
• TPL과 PLEC의 통합은 특히 꼬리가 두껍고 포화 상태에 도달하는 역학을 보이는 시스템에서 단독으로 사용할 경우보다 더 안정적이고 정확한 예측을 이끈다.
• 실제 데이터에 대한 검증을 통해 이 결합 모델은 생물학적 및 팬데믹 시스템 모두에서 가속 성장에서 정체 상태로의 전이를 잘 포착함을 보였다.
• 이 방법은 분산이 유계가 아닌 제곱법칙 현상도 감쇠 메커니즘과 결합함으로써 신뢰성 있게 모델링할 수 있음을 드러내며, 가우시안 가정에 대한 견고한 대안을 제공한다.