[论文解读] Accurate Calibration of Agent-based Epidemiological Models with Neural Network Surrogates

Rushil Anirudh, Jayaraman J. Thiagarajan+4 more|arXiv (Cornell University)|Oct 13, 2020

demographic modeling and climate adaptation参考文献 19被引用 5

一句话总结

本文提出一种神经网络代理模型，以高效校准多个美国大都市区的EpiCast基于代理的流行病学模型。通过在多样化大都市统计区（MSA）的人口归一化数据上联合训练，该代理模型能够实现对全局参数（如病毒传播力）和局部参数（如初始感染数）的准确、可扩展的后验估计，在计算资源受限条件下显著优于标准校准方法。

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.

研究动机与目标

• 解决计算成本高昂的基于代理模型（ABM）如EpiCast与真实世界流行病学数据校准的挑战。
• 克服在具有不同本地条件的多个地理区域中进行暴力参数搜索所带来的高计算成本。
• 开发一个单一、可泛化的神经网络代理模型，以在多样化的大都市统计区（MSA）中模拟EpiCast的行为。
• 通过统一框架实现对全局参数（如病毒特性）和局部参数（如区域特定的初始条件）的联合估计。
• 通过引入新颖的正则化策略（如参数绑定和先验约束），在病态逆问题面前提升校准的准确性。

提出的方法

• 在多个美国大都市区（MSA）的EpiCast模拟大规模集合上训练深度神经网络代理模型，以人口归一化的感染曲线作为输出。
• 采用共享架构，同时模拟所有MSA中的模型行为，从而实现对未见过区域的迁移学习。
• 实施一种新颖的后验估计策略，利用代理模型联合优化全局和局部参数。
• 引入正则化目标：(a) 在优化过程中将各区域的全局参数进行绑定；(b) 约束参数值保持在训练数据中观察到的范围内。
• 利用神经网络代理模型的快速推理能力，执行直接使用EpiCast模拟无法实现的复杂优化与基于采样的校准。
• 通过将校准后模型生成的后验样本与原始EpiCast模拟器生成的观测感染曲线进行比较，验证代理模型的准确性。

实验结果

研究问题

• RQ1 一个单一的神经网络代理模型是否能有效泛化，以模拟多个此前未见过的大都市区的EpiCast行为？
• RQ2 与逐区域校准相比，利用代理模型联合估计全局和局部参数在提升校准准确性方面效果如何？
• RQ3 在高维、病态的逆问题中，正则化策略（特别是全局参数绑定和先验约束）在多大程度上增强了后验估计的稳定性和准确性？
• RQ4 基于代理模型的校准方法是否能可靠地恢复敏感模型参数（如有效基本再生数和无症状传播比例）？
• RQ5 使用人口归一化的输出空间在多大程度上提升了代理模型在地理多样性大都市区中的泛化能力和可迁移性？

主要发现

• 神经网络代理模型能准确泛化至此前未见过的大都市区，实现可靠的校准，且无需为每个区域额外运行模拟。
• 结合正则化的联合优化显著提升了后验估计，尤其在敏感参数（如有效基本再生数和无症状传播比例）方面表现突出。
• 与直接使用EpiCast模拟相比，代理模型将校准时间减少了数个数量级，使复杂优化策略成为可能。
• 通过全局参数绑定和先验约束实施正则化，有效缩小了解空间，缓解了过拟合问题，并提升了病态逆问题中的收敛性。
• 通过代理模型生成的后验样本所输出的EpiCast结果在所有测试MSA中均与观测感染曲线高度吻合，展现出强大的预测保真度。
• 该方法实现了对全局生物学参数（如无症状感染比例）在各区域中的一致估计，避免了逐区域校准带来的不一致性。