[논문 리뷰] Accurate Calibration of Agent-based Epidemiological Models with Neural Network Surrogates

Rushil Anirudh, Jayaraman J. Thiagarajan외 4명|arXiv (Cornell University)|2020. 10. 13.

demographic modeling and climate adaptation참고 문헌 19인용 수 5

한 줄 요약

이 논문은 여러 미국 메트로폴리탄 지역(MSA)을 대상으로 EpiCast 에이전트기반 전염병 모델을 효율적으로 校정하기 위한 신경망 서rogate 모델을 제안한다. 다양한 MSA의 인구 기준화된 데이터를 동시에 학습함으로써, 전역적(예: 바이러스 전파성) 및 국지적(예: 초기 감염자 수) 매개변수에 대해 정확하고 확장 가능한 사후 추정을 가능하게 하여, 계산 자원 제약 하에서 기존의 보편적 校정 방식보다 뛰어난 성능을 발휘한다.

ABSTRACT

Calibrating complex epidemiological models to observed data is a crucial step to provide both insights into the current disease dynamics, i.e.\ by estimating a reproductive number, as well as to provide reliable forecasts and scenario explorations. Here we present a new approach to calibrate an agent-based model -- EpiCast -- using a large set of simulation ensembles for different major metropolitan areas of the United States. In particular, we propose: a new neural network based surrogate model able to simultaneously emulate all different locations; and a novel posterior estimation that provides not only more accurate posterior estimates of all parameters but enables the joint fitting of global parameters across regions.

연구 동기 및 목표

• EpiCast과 같은 계산 비용이 큰 에이전트기반 모델(ABM)을 실제 전염병 데이터에 校정하는 데 도전하는 것.
• 서로 다른 국지적 조건을 가진 여러 지리적 지역에서의 브루트 포스 매개변수 탐색의 높은 계산 비용을 극복하는 것.
• 다양한 메트로폴리탄 통계 지역(MSA) 전역에서 EpiCast 행동을 모방할 수 있는 단일의 일반화 가능한 신경망 서rogate를 개발하는 것.
• 통합 프레임워크를 통해 전역적(바이러스 특성) 및 국지적(지역별 초기 조건) 매개변수를 동시에 추정할 수 있도록 하는 것.
• 매개변수 유대 및 사전 제약 조건을 위한 새로운 정규화 전략을 도입함으로써, 해가 불안정한 역문제 상황에서도 校정 정확도를 향상시키는 것.

제안 방법

• 다양한 미국 메트로폴리탄 지역(MSA) 전역의 EpiCast 시뮬레이션 대규모 앙상블을 기반으로 신경망 서rogate를 학습시키며, 출력으로는 인구 기준화된 감염 곡선을 사용한다.
• 모든 MSA에서 동일한 아키텍처를 사용하여 동시에 모델 행동을 모방함으로써, 이전에 본 적 없는 지역으로의 전이 학습을 가능하게 한다.
• 서rogate 모델을 사용하여 전역적 및 국지적 매개변수를 동시에 최적화하는 새로운 사후 추정 전략을 구현한다.
• 정규화 목표를 도입한다: (a) 최적화 중에 전역 매개변수를 여러 지역 간에 유대하고, (b) 매개변수 값이 학습 데이터에서 관측된 값에 가까워지도록 제약한다.
• 신경망 서rogate의 빠른 추론 능력을 활용하여, 직접 EpiCast 시뮬레이션으로는 불가능한 복잡한 최적화 및 샘플링 기반 校정을 수행한다.
• 원래의 EpiCast 시뮬레이터를 사용하여 관측된 감염 곡선과 비교함으로써, 서rogate의 정확도를 검증한다.

실험 결과

연구 질문

• RQ1 단일 신경망 서rogate가 여러 개의 이전에 본 적 없는 메트로폴리탄 지역 전역에서 EpiCast를 효과적으로 일반화하여 모의할 수 있는가?
• RQ2 서rogate 모델을 사용한 전역적 및 국지적 매개변수의 공동 추정이 개별 지역별 校정에 비해 얼마나 더 높은 정확도를 보이는가?
• RQ3 특히 전역 매개변수 유대 및 사전 제약 조건을 포함한 정규화 전략이 고차원적이고 해가 불안정한 역문제 상황에서 사후 추정의 안정성과 정확도를 얼마나 향상시키는가?
• RQ4 서rogate 기반 校정 방법이 효과적 복제 수와 무증상 전파 비율과 같은 민감한 모델 매개변수를 신뢰성 있게 복원할 수 있는가?
• RQ5 인구 기준화된 출력 공간을 사용함으로써, 지리적으로 다양성이 큰 MSA 전역에서 서rogate 모델의 일반화 능력과 이식 가능성은 얼마나 향상되는가?

주요 결과

• 신경망 서rogate는 이전에 본 적 없는 메트로폴리탄 지역으로도 효과적으로 일반화되어, 각 지역에 대해 추가 시뮬레이션을 실행하지 않고도 신뢰할 수 있는 校정을 가능하게 한다.
• 정규화를 통한 공동 최적화는 특히 효과적 복제 수나 무증상 전파 비율과 같은 민감한 매개변수의 사후 추정을 크게 향상시킨다.
• 서rogate 모델은 직접 EpiCast 시뮬레이션 대비 수개의 주기 수준으로 校정 시간을 단축시켜, 고도로 복잡한 최적화 전략을 구현할 수 있도록 한다.
• 전역 매개변수 유대 및 사전 제약 조건을 통한 정규화는 해의 공간을 효과적으로 줄여, 해가 불안정한 역문제 상황에서 과적합을 방지하고 수렴성을 향상시킨다.
• 서rogate 모델을 통한 사후 샘플링이 생성한 EpiCast 출력은 테스트한 모든 MSA에서 관측된 감염 곡선과 매우 유사하게 나타나, 강력한 예측 정밀도를 입증한다.
• 이 방법은 각 지역에서 일관된 전역 생물학적 매개변수(예: 무증상 감염 비율) 추정을 가능하게 하여, 개별 지역별 校정에서 발생할 수 있는 일관성 없는 결과를 방지한다.