[논문 리뷰] Data Assimilation Predictive GAN (DA-PredGAN): applied to determine the spread of COVID-19

Silva Vls, Heaney Ce외 2명|arXiv (Cornell University)|2021. 05. 17.

Model Reduction and Neural Networks참고 문헌 55인용 수 6

한 줄 요약

이 논문은 전염병 예측을 위한 예측 모델링과 자료 융합을 결합한 생성적 적대적 네트워크 프레임워크인 DA-PredGAN을 소개한다. 복잡한 분할 모델의 저차원 모델에 GAN을 통합함으로써, COVID-19 전파를 정확하게 예측하고, GAN의 내재된 인접 유사 성질을 활용해 실시간 데이터를 효율적으로 융합함으로써 정확한 상태 추정과 모델 매개변수 추론을 가능하게 한다.

ABSTRACT

We propose the novel use of a generative adversarial network (GAN) (i) to make predictions in time (PredGAN) and (ii) to assimilate measurements (DA-PredGAN). In the latter case, we take advantage of the natural adjoint-like properties of generative models and the ability to simulate forwards and backwards in time. GANs have received much attention recently, after achieving excellent results for their generation of realistic-looking images. We wish to explore how this property translates to new applications in computational modelling and to exploit the adjoint-like properties for efficient data assimilation. To predict the spread of COVID-19 in an idealised town, we apply these methods to a compartmental model in epidemiology that is able to model space and time variations. To do this, the GAN is set within a reduced-order model (ROM), which uses a low-dimensional space for the spatial distribution of the simulation states. Then the GAN learns the evolution of the low-dimensional states over time. The results show that the proposed methods can accurately predict the evolution of the high-fidelity numerical simulation, and can efficiently assimilate observed data and determine the corresponding model parameters.

연구 동기 및 목표

• 생성적 적대적 네트워크(GAN)의 응용을 이미지 생성을 초월해 계산 모델의 예측 및 자료 융합 작업에 확장하고자 한다.
• 복잡한 시공간 전염병 모델에 희박하고 노이즈가 많은 실제 측정값을 효율적으로 통합하는 문제를 해결하고자 한다.
• GAN의 내재된 인접 유사 행동을 활용해 역행적 시간 방향의 상태 및 매개변수 추정을 수행함으로써 모델 校정을 향상시키고자 한다.
• 완전한 순서 모델의 프레임워크 내에서 GAN을 활용해 계산적으로 효율적인 방식으로 질병 전파를 시뮬레이션하고 예측할 수 있는지의 타당성을 입증하고자 한다.

제안 방법

• 고정밀도 분할 전염병 모델에서 유도된 저차원 상태 표현의 시간적 변화를 학습하기 위해 생성적 적대적 네트워크(GAN)를 훈련한다.
• 전체 공간 상태를 저차원 잠재 공간으로 투영함으로써 계산 비용을 감소시키기 위해 GAN을 저차원 모델(Reduced-Order Model, ROM)에 통합한다.
• 생성자는 시간이 흐름에 따라 현실적인 상태 궤적을 생성하도록 학습하고, 판별자는 생성된 상태와 진짜 상태를 구별함으로써 현실성을 보장한다.
• 자료 융합은 훈련된 GAN을 통해 관측 데이터를 역전파함으로써 수행되며, GAN의 암묵적 인접 유사 성질을 활용해 일致하는 初기 상태와 모델 매개변수를 추론한다.
• 이 프레임워크는 명시적 인접 모델 유도가 필요 없이도 장기 예측과 관측 데이터를 활용한 실시간 모델 상태 보정을 모두 가능하게 한다.
• 이상화된 마을 모델을 대상으로 시공간 역학을 시험하며, 합성 관측값을 사용해 예측 정확도와 융합 성능을 검증한다.

실험 결과

연구 질문

• RQ1 명시적인 동역학 시스템 통합 없이도 GAN이 시공간 전염병 모델의 시간적 진화를 효과적으로 예측할 수 있는가?
• RQ2 GAN 기반 프레임워크는 실시간 측정값을 얼마나 잘 융합하여 모델 상태를 보정하고 알려지지 않은 매개변수를 추론할 수 있는가?
• RQ3 GAN의 내재된 인접 유사 성질이 복잡한 모델에서 효율적인 역행적 시간 방향 상태 추정을 얼마나 잘 가능하게 하는가?
• RQ4 저차원 모델 프레임워크 내에서 GAN을 활용할 경우, 전체 순서 시뮬레이션 대비 계산 비용을 크게 줄이면서도 예측 정확도를 유지할 수 있는가?
• RQ5 전염병 전파 모델링에서 전통적 자료 융합 방법과 비교해 DA-PredGAN 프레임워크는 정확도와 효율성 측면에서 어떻게 다른가?

주요 결과

• DA-PredGAN 프레임워크는 고정밀도 수치 시뮬레이션의 진화를 높은 정확도로 예측하여, GAN이 전염병 모델의 시간 예측에 유용할 수 있음을 입증한다.
• GAN의 암묵적 인접 유사 행동을 활용해 관측 데이터를 효율적으로 모델에 융합함으로써, 명시적 인접 계산 없이도 정확한 상태 및 매개변수 추정이 가능하다.
• 저차원 모델 내에서 운영되므로 계산 비용을 크게 절감하면서도 예측 정밀도를 유지한다.
• GAN이 정방향과 역방향 모두에서 시뮬레이션할 수 있는 능력 덕분에 희박하고 노이즈가 많은 관측값을 활용해 모델 상태를 강력하게 보정할 수 있다.
• 결과는 GAN이 시공간 역학의 의미 있는 저차원 표현을 학습하고 있음을 확인하며, 정확한 장기 예측과 자료 융합을 가능하게 한다.
• 빠른 추론과 신뢰할 수 있는 자료 통합을 결합함으로써, 공중보건 모델링에서 실시간 적용 가능성을 보여준다.