[논문 리뷰] Sequential Monte Carlo algorithms for agent-based models of disease transmission

Nianqiao Ju, Jeremy Heng외 1명|arXiv (Cornell University)|2021. 01. 28.

Bayesian Methods and Mixture Models참고 문헌 54인용 수 5

한 줄 요약

이 논문은 에이전트 간의 교환 가능성이 없고 쌍방향 접촉 확률이 동일하지 않은 병원체 전파 에이전트 기반 모델에서 통계적 추론을 위한 고급 순차적 몬테카를로(SMC) 알고리즘을 제안한다. 기존의 요약 통계량이 실패하는 상황에서, 제안하는 방법은 향후 관측값을 제안 분포에 통합하고, 편향 인식 보정 근사와 함께 통제 가능한 SMC를 사용함으로써 표준 부트스트랩 입자 필터보다 순위 수준의 정확도 향상을 달성한다. 이는 복잡한 비동일 에이전트 모델에서 효율적인 매개변수 추론을 가능하게 한다.

ABSTRACT

Agent-based models of disease transmission involve stochastic rules that specify how a number of individuals would infect one another, recover or be removed from the population. Common yet stringent assumptions stipulate interchangeability of agents and that all pairwise contact are equally likely. Under these assumptions, the population can be summarized by counting the number of susceptible and infected individuals, which greatly facilitates statistical inference. We consider the task of inference without such simplifying assumptions, in which case, the population cannot be summarized by low-dimensional counts. We design improved particle filters, where each particle corresponds to a specific configuration of the population of agents, that take either the next or all future observations into account when proposing population configurations. Using simulated data sets, we illustrate that orders of magnitude improvements are possible over bootstrap particle filters. We also provide theoretical support for the approximations employed to make the algorithms practical.

연구 동기 및 목표

• 에이전트가 서로 교환 가능하지 않고 쌍방향 접촉 확률이 동일하지 않은 전염병 전파 에이전트 기반 모델에서 통계적 추론의 과제를 해결하기 위해, 기존의 저차원 요약 통계량이 무력화되는 상황을 다루는 것.
• 단순화된 가정에 의존하지 않고 개별 에이전트 구성의 전체 고차원 상태 공간을 다룰 수 있는 효율적인 입자 필터링 방법을 개발하는 것.
• 에이전트 기반 모델의 가능도 추정 정확도와 효율성을 향상시켜 시뮬레이션 최대우도 또는 입자 MCMC를 통한 실용적인 매개변수 추론을 가능하게 하는 것.
• Kullback–Leibler 발산에 기반한 이론적 경계와 편향 분해를 통해 제안된 SMC 알고리즘의 근사 오차에 대한 이론적 보장을 제공하는 것.

제안 방법

• 현재와 향후 관측값을 모두 고려한 제안 분포를 사용하여 고차원 에이전트 상태 공간 내 입자 전파를 향상시키는 통제 가능한 순차적 몬테카를로(SMC) 프레임워크를 설계한다.
• 전이 커널에 대한 편향 인식 보정 근사(BIF)를 도입하여 오차를 감염 및 회복률과 관련된 성분으로 분해하고, L² 노름을 사용한 근사 오차 이론적 경계를 제공한다.
• 향후 관측 가능도를 통합하여 최적의 제안 분포를 근사하는 제안 분포를 사용하여 입자 분산을 줄이고 효과적인 표본 수를 향상시킨다.
• 후방 정보 입자 필터(BIF) 접근법을 사용하여 향후 관측값과의 호환성에 기반한 가중치를 부여함으로써 마진 가능도를 추정한다.
• SIS 및 SIR 모델 모두에 적용하여 이중 상태 모델에서 감염 가능, 감염 중, 회복된 에이전트를 포함하는 다중 상태 모델로 프레임워크를 확장한다.
• 진짜와 근사 스무딩 분포 간 Kullback–Leibler 발산에 대한 이론적 경계를 유도하여 가능도 추정기의 안정성과 일致성 보장.

실험 결과

연구 질문

• RQ1 에이전트의 신원과 접촉 패턴이 중요한 에이전트 기반 모델에서, 제안 메커니즘에 향후 관측값을 통합함으로써 순차적 몬테카를로 방법을 크게 향상시킬 수 있는가?
• RQ2 비교교환 가능한 에이전트 모델에서 편향 인식 제안을 사용할 경우 SMC 알고리즘의 근사 오차에 대해 어떤 이론적 보장을 제공할 수 있는가?
• RQ3 실제 에이전트 기반 전염병 전파 모델에서 표준 부트스트랩 입자 필터에 비해 가능도 추정 정확도에 얼마나 큰 향상이 이루어지는가?
• RQ4 향후 관측값 통합을 통한 통제 가능한 SMC는 복잡한 에이전트 기반 모델에서 정확한 추론을 위해 필요한 입자 수를 줄일 수 있는가?

주요 결과

• 향후 관측값 통합을 통한 제안된 통제 가능한 SMC 알고리즘은 시뮬레이션 데이터에서 표준 부트스트랩 입자 필터에 비해 가능도 추정 정확도에서 순위 수준의 향상을 달성한다.
• 진짜와 근사 스무딩 분포 간 Kullback–Leibler 발산에 대한 이론적 경계가 도출되었으며, 이는 근사 오차가 감염 및 회복률 근사의 불일치에 따라 달라짐을 보여준다.
• 에이전트가 서로 교환 가능하지 않거나 쌍방향 접촉 확률이 다양하더라도 이 방법은 효과적으로 작동하여 기존의 평균장 또는 수량 기반 추론 방법의 핵심 한계를 극복한다.
• BIF 근사 오차는 감염 및 회복률 커널의 차이에 대한 L² 노름을 포함하는 항목으로 경계가 매겨지며, 이는 근사 품질을 평가하고 제어할 수 있는 체계적인 방법을 제공한다.
• 이 프레임워크는 음이 이항 분포 보고 모델 등 다른 관측 모델로 확장 가능하며, 불규칙하거나 희박한 관측 시간이 있는 설정에도 적용 가능하다.