[논문 리뷰] Data-Driven Allocation of Vaccines for Controlling Epidemic Outbreaks

Shuo Han, Víctor M. Preciado외 2명|arXiv (Cornell University)|2014. 12. 05.

COVID-19 epidemiological studies참고 문헌 51인용 수 5

한 줄 요약

이 논문은 감염률이 알려지지 않은 방향성 있는 접촉 네트워크에서 백신과 항체를 할당하기 위해 원뿔 기하 프로그래밍을 사용하는 데이터 기반 강건한 볼록 최적화 프레임워크를 제안한다. 센서 노드로부터의 시계열 데이터와 일치하는 네트워크의 불확실성 집합을 구성함으로써, 최악의 전염 확산률을 최소화한다. 이는 제한된 관측치로도 거의 최적의 성능를 달성하며, 실제 항공 운송 네트워크에서의 시험에서 소수의 데이터 포인트로도 빠르게 수렴함을 보여준다.

ABSTRACT

We propose a mathematical framework, based on conic geometric programming, to control a susceptible-infected-susceptible viral spreading process taking place in a directed contact network with unknown contact rates. We assume that we have access to time series data describing the evolution of the spreading process observed by a collection of sensor nodes over a finite time interval. We propose a data-driven robust convex optimization framework to find the optimal allocation of protection resources (e.g., vaccines and/or antidotes) to eradicate the viral spread at the fastest possible rate. In contrast to current network identification heuristics, in which a single network is identified to explain the observed data, we use available data to define an uncertainty set containing all networks that are coherent with empirical observations. Our characterization of this uncertainty set of networks is tractable in the context of conic geometric programming, recently proposed by Chandrasekaran and Shah, which allows us to efficiently find the optimal allocation of resources to control the worst-case spread that can take place in the uncertainty set of networks. We illustrate our approach in a transportation network from which we collect partial data about the dynamics of a hypothetical epidemic outbreak over a finite period of time.

연구 동기 및 목표

• 접촉 비율이 알려지지 않은 상황에서 네트워크화된 인구 집단에 백신과 항체를 할당하기 위한 강건한 최적화 프레임워크를 개발하는 것.
• 센서 노드로부터의 시간 시리즈 데이터를 활용하여 단일 네트워크를 특정하는 대신, 타당한 접촉 네트워크의 불확실성 집합을 정의하는 것.
• 관측된 데이터와 일치하는 모든 네트워크에 대해 최악의 전염 확산률을 최소화함으로써 모델 불확실성에 대비한 강건성을 확보하는 것.
• 완전한 네트워크 지식이 있을 때의 최적 해와 비교하여 데이터 기반 할당 전략의 성능을 평가하는 것.
• 관측치가 적은 경우에도 이 방법이 빠르게 수렴하여 거의 최적의 제어 성능을 달성할 수 있음을 보여주는 것.

제안 방법

• 감염률이 알려지지 않은 방향성 있는 접촉 네트워크에서 감염병 제어 문제를 감수성-감염자-감수성(SIS) 모델을 사용하여 수립한다.
• 유한한 시간 간격 동안 센서 노드로부터 관측된 시간 시리즈 데이터와 일치하는 모든 접촉 네트워크의 집합 Δ_B_G를 구성한다.
• 원뿔 기하 프로그래밍을 사용하여 불확실성 집합 내에서 최악의 스펙트럼 반경 ρ_wor를 최소화하는 강건 최적화 문제를 해결한다.
• 감염률 β_ij에 대한 사전 경계를 통합하고 볼록 완화 기법을 사용하여 해법의 실현 가능성을 보장한다.
• 합성 전염병 데이터를 사용하여 실제 교통 네트워크에 프레임워크를 적용하고 백신 할당을 시뮬레이션한다.
• 실제 감염 행렬 B_G를 완전히 알고 있을 때 얻어진 최적 해와 비교하여 얻어진 할당 결과를 평가한다.

실험 결과

연구 질문

• RQ1 기본적인 접촉 비율이 알려지지 않은 상황에서 네트워크에서 백신과 항체를 최적으로 할당할 수 있는 방법은 무엇인가?
• RQ2 전염병 확산의 부분적인 시간 시리즈 관측치와 일치하는 네트워크의 강건한 불확실성 집합을 구성할 수 있는가?
• RQ3 관측 데이터를 통합함으로써 전염병 확산률의 최악의 경계가 상당히 감소하는가?
• RQ4 강건 할당이 거의 최적의 성능로 수렴하기 위해 필요한 관측치의 수(시간 또는 센서 노드 수)는 얼마인가?
• RQ5 완전한 네트워크 지식이 있을 때의 최적 할당과 비교하여 데이터 기반 강건 할당의 성능는 어떻게 되는가?

주요 결과

• 관측 데이터를 불확실성 집합에 통합함으로써 전염병 확산률의 최악의 경계가 상당히 감소한다.
• 관측 시간 또는 센서 노드 수가 증가할수록 최악의 확산률에 대한 경계는 단조롭게 감소하며, 비교적 소수의 관측치 이후에 수렴한다.
• 강건 할당 프레임워크는 진짜 감염 행렬 B_G를 완전히 알고 있을 때의 최적 할당 성능에 매우 가까운 성능를 달성한다.
• 제한된 데이터 조건에서도 이 방법은 매우 빠르게 수렴하여 강건성과 실용적 타당성을 입증한다.
• 강건 최적화 문제의 계산 비용은 관리 가능하며, 100개 노드의 네트워크에 30개의 시간 샘플이 있을 때 약 49초가 소요되며, 최적 문제의 경우 17초가 소요된다.
• 강건 할당 하에 감염 행렬의 스펙트럼 반경은 최적 할당 하의 것과 거의 동일하여 강력한 경험적 성능를 확인한다.