[논문 리뷰] Planning as Inference in Epidemiological Models

Frank Wood, Andrew Warrington외 9명|arXiv (Cornell University)|2020. 03. 30.

COVID-19 epidemiological studies참고 문헌 101인용 수 7

한 줄 요약

이 논문은 전염병 확산을 허용 가능한 임계치 이내로 유지하는 최적의 간병 조치(예: 사회적 거리두기 또는 격리 조치)를 추론함으로써 전염병 모델에서 정책 결정을 자동화하는 확률적 프로그래밍을 사용하는 계획-추론 프레임워크를 제안한다. 원하는 결과(예: 병원 수용 능력 이하의 입원 환자 수)에 조건을 설정함으로써 제어 가능한 정책 변수에 대한 사후 분포를 계산함으로써, 기존 시뮬레이터를 수정하지 않고도 데이터 기반의, 불확실성 인식 정책 선택이 가능해진다.

ABSTRACT

In this work we demonstrate how to automate parts of the infectious disease-control policy-making process via performing inference in existing epidemiological models. The kind of inference tasks undertaken include computing the posterior distribution over controllable, via direct policy-making choices, simulation model parameters that give rise to acceptable disease progression outcomes. Among other things, we illustrate the use of a probabilistic programming language that automates inference in existing simulators. Neither the full capabilities of this tool for automating inference nor its utility for planning is widely disseminated at the current time. Timely gains in understanding about how such simulation-based models and inference automation tools applied in support of policymaking could lead to less economically damaging policy prescriptions, particularly during the current COVID-19 pandemic.

연구 동기 및 목표

• 전염병 관리에서 효과적인 공중보건 간병 조치를 자동으로 식별할 수 있는 확장성 있는 방법을 개발하는 것.
• 정책 선택을 베이지안 추론 문제로 재구성함으로써 전염병 시뮬레이션 모델과 정책 수립 간 격차를 메우는 것.
• 기존 시뮬레이터를 수정하지 않고도 모델 복잡성과 불확실성에 관계없이 정책 전략에 대한 불확실성 인식 확률적 평가를 가능하게 하는 것.
• 확률적 프로그래밍 도구를 사용해 원하는 전염병 통제 결과를 달성하는 최적의 정책 매개변수를 추론하는 것의 타당성을 입증하는 것.
• COVID-19와 같은 패닉 상황에서 경제적 손실을 최소화하면서도 시기적절하고 정확한 정책 권고를 제공하기 위해 교환 관계와 위험을 정량화하는 것.

제안 방법

• 정책 계획을 베이지안 추론으로 설정: 원하는 미래 결과(예: 감염 수준이 임계치 이하)에 조건을 설정하고 제어 가능한 정책 변수에 대한 사후 분포를 추론한다.
• 기존의 확률적 전염병 시뮬레이터(예: FRED)를 확률적 프로그래밍 프레임워크 내의 블랙박스 모델로 사용한다.
• PyProb 또는 유사한 확률적 프로그래밍 시스템과 같은 자동 추론 도구를 활용하여 시뮬레이터 출력에 대해 근사 베이지안 추론을 수행한다.
• 시뮬레이터를 정책 입력 조건 하에 결과를 생성하는 확률적 함수로 간주함으로써 모델 명시와 추론을 분리한다.
• 목표 결과를 높은 확률로 달성하는 정책 매개변수 범위(예: 자가 격리 이행률, 학교 폐쇄 기간)를 추론하여 식별한다.
• 확률적 프로그래밍을 활용해 다양한 변수가 정책 결과의 불확실성에 기여하는 정도를 정량화함으로써 해석 가능한 정책 분석을 가능하게 한다.

실험 결과

연구 질문

• RQ1 전염병 모델에서 계획-추론를 활용해 감염 확산을 허용 가능한 범위 내로 유지하는 정책 간병 조치를 자동으로 식별할 수 있는가?
• RQ2 기존의 확률적 시뮬레이터를 수정 없이 확률적 프로그래밍을 통해 정책 추론을 지원하는 방법은 무엇인가?
• RQ3 불확실성 정량화는 다양한 정책 간병 조치의 강건성 평가에 어떤 역할을 하는가?
• RQ4 확률적 추론은 최적의 정책 뿐 아니라 원하는 결과를 고려 확률로 달성할 수 있는 타당한 정책 매개변수의 범위를 식별할 수 있는가?
• RQ5 이 프레임워크는 COVID-19와 같은 신속한 유행병 발생 시 정책 결정의 효율성과 정밀도를 어떻게 향상시킬 수 있는가?

주요 결과

• 이 프레임워크는 병원 입원 환자가 수용 능력 이하로 유지되는 것과 같은 원하는 전염병 통제 결과를 달성하는 데 필요한 정책 매개변수에 대한 사후 분포를 성공적으로 계산한다.
• 확률적 프로그래밍 도구를 통해 FRED와 같은 복잡한 시뮬레이터의 경우에도 기존 모델 코드를 수정하지 않고도 자동 추론이 가능해진다.
• 이 방법은 사회적 상호작용 감소와 같은 거시적 제어와 학교 폐쇄 기간과 같은 미세 조절 제어를 통합된 추론 프레임워크 내에서 지원한다.
• 고수준의 정책 목표에 조건을 설정함으로써 이 접근법은 단일 최적 정책뿐만 아니라 성공 확률이 높은 다양한 타당한 정책 설정 범위를 식별한다.
• 이 방법은 정책 결과의 불확실성에 가장 큰 기여를 하는 변수를 분석할 수 있도록 해 해석 가능한 분석을 가능하게 하여 더 나은 의사결정 지원을 가능하게 한다.
• 이 프레임워크는 일반적이고 확장 가능하며, 복합 모델과 고도로 표현 가능한 에이전트 기반 모델 모두에 적용 가능하며, 모델 복잡성이나 미분 가능성에 제한이 없다.