[논문 리뷰] Finding Patient Zero: Learning Contagion Source with Graph Neural Networks

Chintan Shah, Nima Dehmamy외 5명|arXiv (Cornell University)|2020. 06. 21.

Complex Network Analysis Techniques참고 문헌 48인용 수 27

한 줄 요약

이 논문은 병원성 전파 역학이나 파rameter에 대한 지식 없이도 복잡한 네트워크에서 전염병의 원인(환자 0호)을 특정하는 그래프 신경망(GNN) 기반 방법을 제안한다. 이 방법은 이론적 최고 성능에 근접한 정확도를 달성하며, 기존의 메시지 전달 방법보다 100배 이상 빠르며, 합성 네트워크와 실제 공존 네트워크(코로나19 유행을 모델링한 네트워크 포함) 모두에서 뛰어난 성능을 보였다.

ABSTRACT

Locating the source of an epidemic, or patient zero (P0), can provide critical insights into the infection's transmission course and allow efficient resource allocation. Existing methods use graph-theoretic centrality measures and expensive message-passing algorithms, requiring knowledge of the underlying dynamics and its parameters. In this paper, we revisit this problem using graph neural networks (GNNs) to learn P0. We establish a theoretical limit for the identification of P0 in a class of epidemic models. We evaluate our method against different epidemic models on both synthetic and a real-world contact network considering a disease with history and characteristics of COVID-19. % We observe that GNNs can identify P0 close to the theoretical bound on accuracy, without explicit input of dynamics or its parameters. In addition, GNN is over 100 times faster than classic methods for inference on arbitrary graph topologies. Our theoretical bound also shows that the epidemic is like a ticking clock, emphasizing the importance of early contact-tracing. We find a maximum time after which accurate recovery of the source becomes impossible, regardless of the algorithm used.

연구 동기 및 목표

• 관측된 전파 데이터가 부분적이고 노이즈가 있을 때, 복잡한 네트워크에서 전염병의 원인(환자 0호)을 특정하는 문제를 해결하기 위해.
• 메시지 전달 알고리즘에서 사용되는 것처럼 전염병 역학과 파rameter에 대한 명시적 지식이 필요한 기존 방법의 한계를 극복하기 위해.
• 모델에 종속되지 않는 접근 방식을 개발하기 위해 그래프 신경망을 활용하여 그래프의 구조와 감염 패턴만으로 학습하는 것.
• 사이클을 포함한 일반적인 그래프에서 환자 0호 특정의 최대 달성 가능한 정확도에 대한 이론적 한계를 설정하기 위해.
• 실제 접촉 네트워크, 특히 코로나19 패닉 기간 동안 보스턴에서 수집된 공존 네트워크를 포함하여 방법을 평가하기 위해.

제안 방법

• 이 방법은 그래프 스냅샷과 감염 상태로부터 전염 과정의 역동적 특성을 학습하기 위해 그래프 신경망(GNN)을 활용한다.
• GNN은 전파율이나 잠복기와 같은 질병 파rameter를 명시적으로 입력받지 않고도 합성 및 실제 전염병 시뮬레이션에서 엔드 투 엔드로 훈련된다.
• 이 방법은 그래프의 구조적 및 시간적 패턴을 활용하여, 지연되거나 불완전한 감시 데이터가 있을 경우에도 가장 가능성 있는 원천 노드를 추론한다.
• 이론적 분석을 통해, 사용된 추론 알고리즘과 무관하게 환자 0호 특정의 정보 이론적 상한선을 유도한다.
• 모델은 소월드, 스케일프리와 같은 합성 네트워크와 익명화된 GPS 이동 데이터에서 유도된 실제 공존 네트워크 모두에서 평가된다.
• 정확도 평가에는 상위-k 정확도와 정규화된 순위를 사용하여 정확한 원천 복구 능력과 소규모 후보 집합으로 원천을 좁힐 수 있는 능력을 평가한다.

실험 결과

연구 질문

• RQ1 일반적인 사이클을 포함한 그래프에서 환자 0호 특정의 이론적 최대 정확도는 추론 알고리즘과 관계없이 얼마인가?
• RQ2 GNN과 같은 딥러닝 모델이 전염병 역학이나 파rameter에 대한 명시적 지식 없이도 환자 0호를 고정확도로 특정할 수 있는가?
• RQ3 정확도와 추론 속도 측면에서 GNN의 성능은 전통적인 메시지 전달 알고리즘과 비교해 어떻게 되는가?
• RQ4 유행 발생 후 감시가 시작되는 데까지의 시간 지연이 환자 0호 특정의 정확도에 어떤 영향을 미치는가?
• RQ5 이러한 이동 데이터에서 유도된 복잡하고 현실적인 구조를 가진 실제 접촉 네트워크로도 제안된 방법이 일반화 가능한가?

주요 결과

• GNN 기반 방법은 논문에서 유도한 이론적 상한선에 근접한 상위-1 정확도를 달성하여, 향후 아키텍처 개선의 수혜는 점점 감소할 가능성이 있음을 시사한다.
• 보스턴 공존 네트워크에서 상위-1 정확도는 14일 후에 50% 감소하지만, 정규화된 순위는 높은 수준을 유지하여 진짜 원천이 여전히 소규모 후보 집합으로 좁혀질 수 있음을 나타낸다.
• 임의의 그래프 구조에서 추론을 수행할 때 GNN 방법은 전통적인 메시지 전달 알고리즘보다 100배 이상 빠르며, 실시간 응용이 가능하다.
• 이론적 분석을 통해, 어떤 알고리즘을 사용하든 간에 정확한 원천 복구가 더 이상 정보 이론적으로 불가능해지는 임계 시간 기준이 존재함을 밝혀냈다.
• 이 방법은 소월드, 스케일프리와 같은 합성 네트워크뿐 아니라, 무증상 전파와 R₀ = 2.5를 포함한 코로나19의 자연적 병력과 유사한 특성을 가진 실제 접촉 네트워크에서도 뛰어난 성능을 보였다.
• 모델은 모델에 종속되지 않으며 전파율이나 잠복기와 같은 전염병 파rameter의 지식이 필요 없어, 다양한 전파 과정에 널리 적용 가능하다.