[论文解读] Data Assimilation Predictive GAN (DA-PredGAN): applied to determine the spread of COVID-19

Silva Vls, Heaney Ce+2 more|arXiv (Cornell University)|May 17, 2021

Model Reduction and Neural Networks参考文献 55被引用 6

一句话总结

本文提出DA-PredGAN，一种生成对抗网络框架，将预测建模与数据同化相结合，用于流行病学预测。通过将GAN嵌入到一个流行病学分室模型的降阶模型中，该方法能够准确预测COVID-19传播，并利用GAN固有的类似伴随（adjoint-like）特性，高效同化实时数据，从而实现精确的状态估计与参数推断。

ABSTRACT

We propose the novel use of a generative adversarial network (GAN) (i) to make predictions in time (PredGAN) and (ii) to assimilate measurements (DA-PredGAN). In the latter case, we take advantage of the natural adjoint-like properties of generative models and the ability to simulate forwards and backwards in time. GANs have received much attention recently, after achieving excellent results for their generation of realistic-looking images. We wish to explore how this property translates to new applications in computational modelling and to exploit the adjoint-like properties for efficient data assimilation. To predict the spread of COVID-19 in an idealised town, we apply these methods to a compartmental model in epidemiology that is able to model space and time variations. To do this, the GAN is set within a reduced-order model (ROM), which uses a low-dimensional space for the spatial distribution of the simulation states. Then the GAN learns the evolution of the low-dimensional states over time. The results show that the proposed methods can accurately predict the evolution of the high-fidelity numerical simulation, and can efficiently assimilate observed data and determine the corresponding model parameters.

研究动机与目标

• 探索生成对抗网络（GAN）在图像生成之外的应用，特别是其在计算建模中用于预测与数据同化任务的潜力。
• 解决将稀疏、噪声较大的真实世界观测数据高效整合到复杂时空流行病学模型中的挑战。
• 利用GAN固有的类似伴随行为，实现反向时间的状态与参数估计，提升模型校准精度。
• 展示在降阶模型（ROM）框架内使用GAN进行疾病传播模拟与预测的可行性，实现在计算上高效的方法。

提出的方法

• 训练一个生成对抗网络（GAN），以学习从高保真分室流行病学模型中提取的低维状态表示的时间演化。
• 将GAN嵌入到一个降阶模型（ROM）中，该模型将模拟的完整空间状态投影到低维潜在空间，以降低计算成本。
• 生成器学习正向时间模拟，生成合理的状态轨迹，而判别器通过区分生成状态与真实状态来确保生成结果的真实性。
• 通过将观测数据反向传播通过训练好的GAN，实现数据同化，利用其隐含的类似伴随特性，推断一致的初始状态与模型参数。
• 该框架能够在不依赖显式伴随模型推导的情况下，实现长期预测与基于观测数据的模型状态实时校正。
• 该方法在具有时空动态的理想化城镇模型上进行了验证，使用合成观测数据测试预测精度与同化性能。

实验结果

研究问题

• RQ1 GAN是否能够有效用于预测时空流行病学模型的时间演化，而无需显式集成动力系统？
• RQ2 基于GAN的框架在多大程度上能够同化实时观测数据，以校正模型状态并推断未知参数？
• RQ3 GAN的内在类似伴随特性在多大程度上能够实现复杂模型中高效的时间反向状态估计？
• RQ4 在降阶模型框架中，GAN是否能够在显著降低计算成本的同时保持预测精度？
• RQ5 与传统数据同化方法相比，DA-PredGAN框架在疾病传播建模中的精度与效率表现如何？

主要发现

• DA-PredGAN框架成功以高精度预测了高保真数值模拟的演化，证明了GAN在流行病学模型时间预测中的可行性。
• 该方法通过利用GAN隐含的类似伴随行为，高效地将观测数据同化到模型中，实现了无需显式伴随计算的精确状态与参数估计。
• 通过在降阶模型中运行，该框架在保持预测保真度的同时实现了显著的计算节省。
• GAN同时具备正向与反向时间模拟能力，使得其能够利用稀疏且含噪的观测数据对模型状态进行稳健校正。
• 结果表明，GAN学习到了时空动态的有意义低维表示，从而支持高精度的长期预测与数据同化。
• 该框架通过结合快速推理与可靠的数据显示集成，展现出在公共卫生建模中实时应用的潜力。