[논문 리뷰] Exploring Memory Effects: Sparse Identification in Vector-Borne Diseases

Dimitri Breda, Muhammad Tanveer외 2명|arXiv (Cornell University)|2026. 01. 28.

Viral Infections and Vectors인용 수 0

한 줄 요약

이 논문은 SINDy를 벡터-매개 질병 전파에서 분산 메모리(지연) 다이나믹스를 발견하도록 확장하고, incidence 및 온도 데이터를 사용해 Dalian의 SFTS에서 시연한다. 데이터 기반의 희소적 적분 표현이 기계적 구성요소와 결합될 때 단기 예측을 개선한다.

ABSTRACT

Predicting the human burden of vector-borne diseases from limited surveillance data remains a major challenge, particularly in the presence of nonlinear transmission dynamics and delayed effects arising from vector ecology and human behavior. We develop a data-driven framework based on an extension of Sparse Identification of Nonlinear Dynamics (SINDy) to systems with distributed memory, enabling discovery of transmission mechanisms directly from time series data. Using severe fever with thrombocytopenia syndrome (SFTS) as a case study, we show that this approach can uncover key features of tick-borne disease dynamics using only human incidence and local temperature data, without imposing predefined assumptions on human case reporting. We further demonstrate that predictive performance is substantially enhanced when the data-driven model is coupled with mechanistic representations of tick-host transmission pathways informed by empirical studies. The framework supports systematic sensitivity analysis of memory kernels and behavioral parameters, identifying those most influential for prediction accuracy. Although the approach prioritizes predictive accuracy over mechanistic transparency, it yields sparse, interpretable integral representations suitable for epidemiological forecasting. This hybrid methodology provides a scalable strategy for forecasting vector-borne disease risk and informing public health decision-making under data limitations.

연구 동기 및 목표

• 벡터-매개 질병의 데이터 제한 및 불확실한 메모리 효과 하에서 단기 예측의 필요성을 동기화한다.
• 시간 계열 데이터로부터 분산 메모리 커널을 발견할 수 있는 데이터 기반의 SINDy 확장을 개발한다.
• mechanistic coupling을 통해 예측을 개선하기 위해 Dalian의 SFTS를 인간 발생률과 지역 온도를 사용하여 프레임워크를 적용한다.
• 메모리 커널과 행동 매개변수의 민감도를 평가하여 예측 정확도의 주 요인들을 식별한다.
• 데이터 제약 하에서 역학적 예측에 적합한 해석 가능하고 희소한 적분 표현을 제공한다.

제안 방법

• 분산 메모리를 갖는 시스템으로의 확장을 Renewal 방정식 및 적분 커널을 통해 수행한다.
• 분산 지연 적분을 후보 함수의 가중합으로 변환하기 위한 사분점(Quadrature) 기반 근사를 구성한다.
• 지연 노드 및 지연 상태 궤적에 의존하는 후보 함수 라이브러리를 구축하고, e^{ωT}와 같은 비자율(nonautonomous) 항 및 다항 상호작용을 포함한다.
• kernel에서 활성 항의 최소 집합을 식별하기 위해 희소 회귀(STLS/LASSO)를 해결한다.
• 데이터 기반 커널을 tick-호스트 전파 경로와 같은 기계적 구성요소와 결합하여 예측 성능을 향상시킨다.
• 월별 SFTS 발생률 및 온도 데이터에 대해 모델을 평가하고, 확장 분석에서 라이브러리를 풍부하게 하기 위해 감염된 진드기 인구를 포함한다.

실험 결과

연구 질문

• RQ1 SINDy를 벡터-매개 질병 전파에서 시간 시계열 데이터로부터 분산 메모리 커널을 식별하도록 확장할 수 있는가?
• RQ2 제한된 인간 발생률 및 온도 데이터를 사용하여 데이터 기반 커널이 진드기-호스트-인간 전파 역학을 잘 포착하는가?
• RQ3 e^{ωT}와 같은 비자율 메모리 항을 포함하면 SFTS 발생의 단기 예측이 향상되는가?
• RQ4 식별된 메모리 커널 및 예측 정확성에 진드기 감염 데이터가 미치는 영향은 무엇인가?
• RQ5 메모리 커널과 보고 윈도우 매개변수(sigma)의 민감도가 SFTS 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• 분산 지연 SINDy 프레임워크는 과거 발생률, 온도, 활동과의 연계를 현재 사례로 연결하는 희소하고 해석 가능한 커널을 식별할 수 있다.
• 두 가지 모델 변형을 테스트했으며, 기본 메모리 모델과 지연 온도 관련 항 e^{ωT}를 포함한 모델, 다항 라이브러리는 차수 1–2까지 사용되었다.
• 온도 기반의 야외 활동을 포함하는 모델은 기본 모델과 유사하게 예측 성능을 향상시키며, 어떤 경우에는 차수 1의 다항이 최상의 성능을 보였다.
• 라이브러리 확장을 통해 감염 진드기 인구(I_Nq, I_Aq)를 포함시키면 추가 개선이 나타나고, 진드기 상태 항을 포함하는 희소 커널이 산출되었다.
• 이 접근법은 SFTS 발생의 계절성을 포착하고, 제한된 학습 데이터(96개의 월별 샘플)에도 합리적인 RMSE 값을 제공한다.
• 민감도 분석은 야외 활동 매개변수 ω와 적분 창 σ가 검증 오차에 어떤 영향을 미치는지 보여주며, 강건한 매개변수 선택을 안내한다.