[论文解读] Planning as Inference in Epidemiological Models

Frank Wood, Andrew Warrington+9 more|arXiv (Cornell University)|Mar 30, 2020

COVID-19 epidemiological studies参考文献 101被引用 7

一句话总结

本文提出了一种基于推理的规划框架，利用概率编程在流行病学模型中自动化策略决策，通过推断最优干预策略（如社交疏离或隔离措施）来将疾病传播控制在可接受阈值内。通过将目标结果（例如住院人数低于容量）作为条件，该方法计算可控策略变量的后验分布，从而实现无需修改现有模拟器的数据驱动、不确定性感知的策略选择。

ABSTRACT

In this work we demonstrate how to automate parts of the infectious disease-control policy-making process via performing inference in existing epidemiological models. The kind of inference tasks undertaken include computing the posterior distribution over controllable, via direct policy-making choices, simulation model parameters that give rise to acceptable disease progression outcomes. Among other things, we illustrate the use of a probabilistic programming language that automates inference in existing simulators. Neither the full capabilities of this tool for automating inference nor its utility for planning is widely disseminated at the current time. Timely gains in understanding about how such simulation-based models and inference automation tools applied in support of policymaking could lead to less economically damaging policy prescriptions, particularly during the current COVID-19 pandemic.

研究动机与目标

• 开发一种可扩展的自动化方法，用于识别传染病控制中的有效公共卫生干预措施。
• 通过将策略选择建模为贝叶斯推理问题，弥合流行病学模拟模型与政策制定之间的差距。
• 在不修改现有模拟器的前提下，利用现有模拟器实现不确定性感知的、概率化的干预策略评估。
• 证明使用概率编程工具推断最优策略参数以实现期望疾病控制结果的可行性。
• 通过量化权衡与风险，在新冠疫情等大流行期间提供及时、经济损害更小的政策建议。

提出的方法

• 将策略规划建模为贝叶斯推理：以期望的未来结果（例如感染水平低于阈值）为条件，推断可控策略变量的后验分布。
• 将现有的随机流行病学模拟器（如 FRED）作为黑箱模型，集成到概率编程框架中。
• 利用自动化推理工具（如 PyProb 或类似的概率编程系统）对模拟器输出执行近似贝叶斯推理。
• 通过将模拟器视为给定策略输入时生成结果的随机函数，实现模型定义与推理的解耦。
• 应用推理以识别实现目标结果（例如自我隔离依从性、学校停课持续时间）的高概率策略参数范围。
• 利用概率编程量化不同变量对不确定性的贡献，实现可解释的策略分析。

实验结果

研究问题

• RQ1 能否在流行病学模型中使用基于推理的规划方法，自动识别将疾病传播控制在可接受范围内的干预策略？
• RQ2 如何在不修改的前提下，利用现有的随机模拟器支持通过概率编程进行策略推理？
• RQ3 不确定性量化在评估不同策略干预鲁棒性方面发挥什么作用？
• RQ4 概率推理是否不仅能识别最佳策略，还能识别在高概率下实现期望结果的可行策略参数范围？
• RQ5 该框架如何提升在新冠疫情等新发疫情暴发期间政策决策的效率与精确性？

主要发现

• 该框架成功计算出实现期望疾病控制结果（如将住院人数控制在容量以下）的策略参数后验分布。
• 概率编程工具使在复杂模拟器（如 FRED）中实现自动化推理成为可能，且无需修改底层模型代码。
• 该方法在统一的推理框架中同时支持粗粒度控制（如减少社交互动）和细粒度控制（如学校停课持续时间）。
• 通过设定高层次的政策目标，该方法不仅识别出单一最优策略，还识别出一系列具有量化成功概率的可行策略配置。
• 该方法能够可解释地分析哪些变量对策略结果的不确定性贡献最大，从而支持更明智的决策。
• 该框架具有通用性和可扩展性，适用于各类模型，包括仓室模型和高度表达的基于个体的模型，且对模型复杂度或可微性无限制。