[논문 리뷰] Semi-supervised Neural Networks solve an inverse problem for modeling Covid-19 spread

Alessandro Paticchio, Tommaso Scarlatti외 3명|arXiv (Cornell University)|2020. 10. 10.

COVID-19 epidemiological studies참고 문헌 16인용 수 6

한 줄 요약

이 논문은 COVID-19 전파를 모델링하기 위해 미분방정식의 역문제를 해결하는 준지도 학습 신경망 프레임워크를 제안한다. 이 프레임워크는 실세계 데이터와 수동 인구 감염군을 포함한 새로운 SIRP 모델을 통합한다. 이 방법은 스위스, 스페인, 이탈리아에서 감염 및 회복 동역학을 정확하게 맞추며, 각각 기본 감염수 R₀가 2.7, 3.3, 4.7로 추정되며 봉쇄 후에도 높은 예측 정확도를 달성한다.

ABSTRACT

Studying the dynamics of COVID-19 is of paramount importance to understanding the efficiency of restrictive measures and develop strategies to defend against upcoming contagion waves. In this work, we study the spread of COVID-19 using a semi-supervised neural network and assuming a passive part of the population remains isolated from the virus dynamics. We start with an unsupervised neural network that learns solutions of differential equations for different modeling parameters and initial conditions. A supervised method then solves the inverse problem by estimating the optimal conditions that generate functions to fit the data for those infected by, recovered from, and deceased due to COVID-19. This semi-supervised approach incorporates real data to determine the evolution of the spread, the passive population, and the basic reproduction number for different countries.

연구 동기 및 목표

• 제한적 또는 노이즈가 많은 실세계 데이터로부터 미지의 매개변수와 초기 조건을 추정하는 데 도전하는 것.
• 전파 동역학에서 격리된 개인을 나타내는 수동 감염군(P)을 SIR 프레임워크에 도입함으로써 질병 모델링을 향상시키는 것.
• 미분방정식의 비지도 해 학습과 실세계 데이터를 이용한 지도 학습 기반 매개변수 추정을 융합한 준지도 딥러닝 방법을 개발하는 것.
• 스위스, 스페인, 이탈리아의 실세계 데이터를 바탕으로 봉쇄 기간 이후의 예측 성능을 평가하는 것.
• 미분방정식으로 제어되는 동적 시스템의 역문제를 해결하기 위한 일반화 가능한 프레임워크를 제공하는 것.

제안 방법

• 비지도 전방형 완전 연결 신경망이 고차원의 초기 조건과 모델 매개변수 공간에서 일련의 상미분방정식(OEDs)의 매개변수 해를 학습한다.
• 네트워크는 ODE 시스템의 잔차 최소화에 기반한 손실 함수를 사용하며, f(t) = 1 - e^(-t) 형태의 매개변수 함수를 통해 예측된 해가 미분방정식과 초기 조건을 정확히 만족하도록 한다.
• 해는 ŝ = z₀ + f(t)(z_NN - z₀) 형태로 표현되어 초기 조건을 정확히 충족시킨다.
• 지도 학습 보정 단계에서는 자동 미분를 사용한 경사하강법을 적용하여 데이터 불일치 손실 L_inv = ⟨(ẑ - z̃)²⟩_t 를 최소화함으로써 관측된 데이터에 맞게 초기 조건과 모델 매개변수를 조정한다.
• SIRP 모델은 수동 감염군 P를 추가함으로써 SIR 시스템을 확장하며, dP/dt = 0 이다. 네트워크는 P₀를 입력으로 포함하고, (dP̂/dt)² 와 같은 해당 손실 항목을 포함하도록 수정된다.
• 이 방법은 합성 SIR 데이터로 검증되었으며, 스위스, 스페인, 이탈리아의 실세계 데이터에 적용되었으며, 데이터는 총 인구수로 정규화되고, 부족 보고를 보정하기 위해 10배로 스케일링되었다.

실험 결과

연구 질문

• RQ1 준지도 신경망이 미분방정식 기반 질병 모델의 초기 조건과 전파 매개변수를 추정하는 역문제를 효과적으로 해결할 수 있는가?
• RQ2 수동 감염군(P)을 포함함으로써 표준 SIR 모델에 비해 실세계 COVID-19 데이터의 피팅 성능이 얼마나 향상되는가?
• RQ3 이러한 방법으로 봉쇄 이후의 동역학을 추가 학습 없이 얼마나 잘 예측할 수 있는가?
• RQ4 이 데이터 기반 역모델링 접근법을 통해 스위스, 스페인, 이탈리아의 기본 감염수 R₀는 각각 얼마로 추정되는가?
• RQ5 이 방법은 초기 팬데믹 단계에서의 데이터 제약과 부족 보고에 대해 얼마나 강인한가?

주요 결과

• 준지도 신경망은 스위스, 스페인, 이탈리아의 감염자 및 제거자 인구에 대해 실세계 데이터를 정확하게 맞추며, 예측값이 관측된 데이터 포인트와 매우 유사하게 일치한다.
• 모델은 스위스의 기본 감염수 R₀를 2.7로, 스페인의 R₀를 3.3으로, 이탈리아의 R₀를 4.7로 추정하여 이탈리아에서 전파력이 더 높음을 시사한다.
• 스위스와 이탈리아에서는 96%, 스페인에서는 95%의 인구가 수동 감염군(P)에 속해 있음을 추정하였으며, 이는 광범위한 격리 또는 접촉 감소를 의미한다.
• 봉쇄 이후에도 추가 최적화 없이도 모델이 강력한 예측 성능을 유지하여 일반화 능력이 뛰어나다는 것을 보여준다.
• 관측된 데이터를 10배로 스케일링하여 부족 보고를 보정함으로써, 실제 감염 및 회복 곡선과의 일치도 향상되어 방법이 효과적으로 부족 보고를 보정함을 입증한다.
• 수동 감염군이 포함된 SIRP 모델은 표준 SIR 모델에 비해 모델 피팅 성능을 크게 향상시키며, 특히 봉쇄 조치와 격리 조치의 영향을 잘 포착한다.