[논문 리뷰] Interpretable Sequence Learning for COVID-19 Forecasting

Sercan Ö. Arık, Chunliang Li외 13명|arXiv (Cornell University)|2020. 08. 03.

COVID-19 epidemiological studies참고 문헌 42인용 수 59

한 줄 요약

이 논문은 보 covariate-encoded SEIR 기반의 해석 가능한 모델을 제시하여 미국 주와 카운티 수준에서 COVID-19 진행을 예측하고, 여러 벤치마크를 능가하며 설명 가능한 통찰을 제공한다.

ABSTRACT

We propose a novel approach that integrates machine learning into compartmental disease modeling to predict the progression of COVID-19. Our model is explainable by design as it explicitly shows how different compartments evolve and it uses interpretable encoders to incorporate covariates and improve performance. Explainability is valuable to ensure that the model's forecasts are credible to epidemiologists and to instill confidence in end-users such as policy makers and healthcare institutions. Our model can be applied at different geographic resolutions, and here we demonstrate it for states and counties in the United States. We show that our model provides more accurate forecasts, in metrics averaged across the entire US, than state-of-the-art alternatives, and that it provides qualitatively meaningful explanatory insights. Lastly, we analyze the performance of our model for different subgroups based on the subgroup distributions within the counties.

연구 동기 및 목표

• Covariate-encoded 학습을 SEIR 스타일의 구획화 모델에 통합하여 COVID-19 역학을 예측한다.
• 비공식 사례와 병원 자원을 포함하도록 구획을 확장하여 현실적인 진행을 반영한다.
• 시간에 따라 변하는 인코더와 위치 간 정보 공유를 통해 시간적·공간적 일반화를 보장한다.
• 기존 모형과 비교하여 우수한 예측 정확도를 달성하고 역학자와 정책 입안자에게 해석 가능한 설명을 제공한다.

제안 방법

• 실제 질병 진행을 더 잘 포착하기 위해 비공식적/병원 관련 구획을 SEIR에 확장한다.
• 정적 비율을 학습 가능한 공변량 주도 인코더로 대체하여 고정된 매개변수를 시공간 공변량으로 매핑한다.
• 해석 가능성을 보존하고 공변량 효과를 정량화하기 위해 일반화된 가법 모델 스타일 인코더를 채택한다.
• 향후 공변량이 아직 없는 경우 보조 모델(XGBoost 등)을 사용해 시간 변화 공변량 및 예측 시계열 공변량을 포함한다.
• 실효 재생산 수 R_t를 그럴듯한 범위로 규제하고 2차 차이를 통해 매끄러운 동역학을 촉진한다.
• 부분 감독 데이터로 엔드-투-엔드 학습을 수행하되, 데이터 적합도, 공변량 공유, 역학적 priors의 균형 있는 목표를 사용한다.
• 지역 간 정보 공유 메커니즘을 도입하고 국지 편향을 통해 위치별 역학을 포착하며 과도한 지역 의존을 방지하는 규제 항을 추가한다.

실험 결과

연구 질문

• RQ1 공변량-인코딩 SEIR 프레임워크가 기존 모형과 비교해 주 및 카운티 수준의 COVID-19 예측 정확도를 향상시킬 수 있는가?
• RQ2 비공식적 및 병원 관련 구획이 예측 및 해석 가능성에 어떤 영향을 미치는가?
• RQ3 시간 변화 공변량과 교차 위치 정보 공유가 제한된 데이터 하에서 일반화를 향상시키는가?
• RQ4 전염 및 결과에 대한 공변량 효과에 대해 어떤 해석 가능한 통찰을 얻을 수 있는가?
• RQ5 정책 결정자에게 신뢰할 수 있는 예측 구간을 제공할 수 있는가?

주요 결과

Pred. horizon (days)	Pred. date	Ours	CU	LANL	UT	YYG
35	2020-05-19	35.8	71.4	45.3	43.7	46.5
29	2020-05-26	29.4	58.5	36.3	43.8	37.7
32	2020-06-02	32.8	86.1	33.5	35.1	26.5
14	2020-06-09	28.8	71.0	34.7	33.5	22.3
31	2020-06-16	31.4	79.6	50.8	48.9	32.1
28	2020-06-23	63.8	134.7	85.8	67.7	64.2
21	2020-06-30	46.5	152.1	48.6	34.1	35.1

• 제안된 모델은 여러 날짜의 주 단위 14일 예측에서 여러 벤치마크보다 MAE가 더 낮다.
• 카운티 수준 예측은 여러 예측 날짜에서 Berkeley CLEP보다 MAE가 현저히 낮다.
• 공변량-인코딩 인코더, 확장된 구획, 부분 교사 강제 및 최근 데이터에 대한 미세 조정의 효과를 연구에서 확인하는 제거 연구가 이점을 보인다.
• 모델은 모빌리티와 개입이 전파율에 미치는 영향 및 문서화된 감염과 비문서화된 감염의 상대적 역할 등 해석 가능한 통찰을 제공한다.
• 10th–90th 분위수가 제시된 예측 구간은 보정이 잘 되어 보이며 비매끄러운 구간에서 넓어진다.
• 프레임워크는 구획 전이와 공변량 효과를 명시적으로 모델링하여 설명 가능한 역학을 제공한다.