[논문 리뷰] Visualising the Evolution of English Covid-19 Cases with Topological Data Analysis Ball Mapper

Pawel Dlotko, Simon Rudkin|arXiv (Cornell University)|2020. 04. 07.

Topological and Geometric Data Analysis참고 문헌 12인용 수 4

한 줄 요약

이 논문은 상관관계 지표를 사용하여 영국 NUTS3 지역 간 코로나19 확진자 수의 변화를 시각화하기 위해 위상적 데이터 분석(TDA)에서 유래한 Ball Mapper 알고리즘을 적용한다. 비선형적이고 군집 기반의 전파 패tern을 드러내며, 감염 핫스팟이 균일하게 퍼지지 않고 특정 사회경제적 그룹 내에서 발생하는 것으로 나타났다. 런던과 북부 산업 지역은 유사한 거리적 위치를 공유하고 있음에도 불구하고, 뚜렷하고 가속화된 확진자 증가를 보였다.

ABSTRACT

Understanding disease spread through data visualisation has concentrated on trends and maps. Whilst these are helpful, they neglect important multi-dimensional interactions between characteristics of communities. Using the Topological Data Analysis Ball Mapper algorithm we construct an abstract representation of NUTS3 level economic data, overlaying onto it the confirmed cases of Covid-19 in England. In so doing we may understand how the disease spreads on different socio-economical dimensions. It is observed that some areas of the characteristic space have quickly raced to the highest levels of infection, while others close by in the characteristic space, do not show large infection growth. Likewise, we see patterns emerging in very different areas that command more monitoring. A strong contribution for Topological Data Analysis, and the Ball Mapper algorithm especially, in comprehending dynamic epidemic data is signposted.

연구 동기 및 목표

• 기존의 지ap도와 추세 분석을 넘어서 영국 내 코로나19 확진자 수의 시공간적 변화를 시각화하기 위해.
• 특히 Ball Mapper 알고리즘을 활용해 다차원 사회경제 데이터 내에 숨겨진 패턴을 규명하기 위해 위상적 데이터 분석(TDA)을 적용하기 위해.
• 경제적 및 인구통계적 특성의 특정 조합이 빠른 감염 증가와 어떻게 연관되는지 규명하기 위해.
• 흑상자 기반 머신러닝 모델에 비해 Ball Mapper의 투명성과 해석 가능성의 우수성을 전염병 데이터 분석에서 입증하기 위해.
• 비선형적이고 지리적 요소에 기반하지 않는 전염병 전파의 역동적 패턴을 드러내어 정책에 유용한 통찰을 제공하기 위해.

제안 방법

• Ball Mapper 알고리즘은 고차원의 NUTS3 지역 데이터를 덮는 반경 ε의 겹치는 구를 사용해 데이터 클러스터를 2차원의 추상적 표현으로 변환한다.
• 지점들은 구의 중심으로 선택되며, 겹치는 구들 간에 간선을 연결해 그래프를 형성한다.
• 그래프 내 각 구의 크기는 포함한 데이터 포인트의 수를 반영하며, 군집의 밀도를 나타낸다.
• 코로나19 확진자 수는 Ball Mapper 그래프 위에 겹쳐져 사회경제적 군집 간 감염 수준을 시각화한다.
• 시간에 따라 각 구의 평균 확진자 수를 기반으로 시간 시리즈 플롯을 사용해 확진자 수의 동적 변화를 추적한다.
• t-SNE와 달리 전체 거리 행렬을 필요로 하지 않으며, 오직 하나의 파라미터(ε)만 필요로 하여 안정성과 해석 가능성 보장.

실험 결과

연구 질문

• RQ1 영국 NUTS3 지역의 사회경제적 특성은 코로나19 확진자 수의 증가 속도와 강도와 어떻게 관련되어 있는가?
• RQ2 다차원 사회경제 공간 내에서 감염 군집은 어디에 형성되며, 시간이 지남에 따라 어떻게 변화하는가?
• RQ3 유사한 지리적 거리에 있지만 다른 사회경제적 특성을 지닌 지역들은 얼마나 다른 전염병 전개를 보이는가?
• RQ4 Ball Mapper 알고리즘이 기존의 시각화 방법에서 놓치는 비선형적이고 직관에 어긋나는 전파 패턴을 드러낼 수 있는가?
• RQ5 Ball Mapper 군집 내에서 확진자 수의 동적 변화는 공중보건 모니터링 및 정책 대응에 어떻게 기여하는가?

주요 결과

• 원래의 최고 확진자 수 지역이었던 Ball 20(햄머스미스 및 풀햄, 켄싱턴 및 켄싱턴 앤 첼시)는 확진자 증가율이 감소했고, Ball 22가 새로운 핫스팟으로 빠르게 뒤처지지 않게 되었다.
• 런던 31개 구와 출퇴근 지역(즉, Ball 22)은 원래의 런던 핫스팟 지역보다 더 많은 확진자를 기록하고 있어 전파 역학의 변화가 나타났다.
• 특히 랭커셔와 요크셔 지역을 포함한 영국 북부의 Ball 9와 Ball 14는 가장 빠르게 증가하는 확진자 비율을 보이며 새로운 지역 핫스팟으로 부상했다.
• 맨체스터, 리버풀, 브리스톨 등의 도시를 포함하는 Ball 7는 시간이 지남에 따라 증가하는 확진자 비율을 보이며 북부 군집으로의 전파 통로 역할을 하였다.
• 동적 확진자 변화 플롯은 대부분의 군집에서 곡선의 평평함이 관찰되지 않았고, Ball 20를 제외한 나머지 지역에서는 전파가 지속되거나 증가하는 것으로 나타났다.
• 유사한 지리적 거리에 있지만 다른 사회경제적 특성을 지닌 지역들—예를 들어 런던과 그 외곽의 출퇴근 지역—은 뚜렷하게 다른 전염병 전개를 보였으며, 이는 사회경제적 배경의 중요성을 강조한다.