Spatio-temporal stochastic graph-based learning for infectious disease forecasting

ملخص تقني: التعلم القائم على الرسوم البيانية العشوائية الزمانية-المكانية للتنبؤ بالأمراض المعدية

بيان المشكلة
لقد عانت النماذج الحالية القائمة على الرسوم البيانية الزمانية-المكانية للتنبؤ بالأمراض المعدية (مثل كوفيد-19 وجدري الماء) من نقص في استقصاء دمج النمذجة العشوائية في عمليات التعلم الخاصة بها. علاوة على ذلك، ركزت معظم الأعمال السابقة على شبكات جغرافية صغيرة إلى متوسطة الحجم (على سبيل المثال، 20-400 منطقة) أو أظهرت تباينًا محدودًا في مسارات الاختبار، والتي غالبًا ما تفشل في عكس التقلبات المعقدة وغير المتجانسة وعالية التردد الملحوظة في انتشار الأمراض في العالم الحقيقي عبر دول كبيرة. وبناءً على ذلك، لا يزال من غير الواضح ما إذا كانت البنى الحالية قادرة على التنبؤ بدقة بمسارات المرض في الشبكات الوبائية واسعة النطاق وعالية التباين.

المنهجية
يقترح المؤلفون بنية تعلم قائمة على الرسوم البيانية العشوائية الزمانية-المكانية مصممة للتنبؤ بحالات الأمراض المعدية الجديدة من خلال دمج الصيغة العشوائية وتقريب عدم اليقين. تتكون البنية من ثلاث وحدات متسلسلة:

1. ترميز المتواليات متعددة المتغيرات: تقوم هذه الوحدة بتوحيد بيانات حدوث الأمراض الزمنية والارتباطات الجغرافية. وهي تنشئ عينات متوالية متأخرة ($X(t)$) حيث يتم قياس البيانات الزمنية إلى النطاق $[0, 1]$ وتنظيمها في مجال رسم بياني مكاني ثابت. يتضمن المدخل تنسورًا زمانيًا-مكانيًا يمثل حالات المرض عبر $G_l$ من المواقع خلال نافذة زمنية $W$، مقترنًا بتنسورات مؤشر الحواف والسمات التي تمثل الطبوغرافيا الجغرافية.
2. المعالجة الزمانية-المكانية: تستخرج هذه الوحدة الميزات الكامنة باستخدام متغيرين مقترحين:
   • PrGCNrmsle: يعتمد على طبقة شبكة عصبية تلافيفية للرسوم البيانية (GCN). يقوم بتجميع المعلومات من العقد المجاورة باستخدام التطبيع المتماثل لتعلم الارتباطات المكانية غير المتغيرة بتغير كثافة الاتصال المحلي.
   • PrGLSTMrmsle: يوسع طبقة GCN بإضافة طبقة ذاكرة طويلة قصيرة المدى (LSTM). تعالج هذه النسخة مخرجات GCN لالتقاط التبعيات الزمنية وتطور الحالة الخفية، مما يعمل على تصفية الضوضاء قصيرة المدى مع الاحتفاظ بذاكرة الديناميكيات متعددة الموجات.
3. الطريقة العشوائية: تقوم طبقة متصلة بالكامل (MLP) برسم الميزات الكامنة إلى واصف ثنائي الأبعاد لكل موقع، يمثل المتوسط ($\mu$) ولوغاريتم التباين ($\ln \sigma$) لتوزيع طبيعي. وباستخدام خدعة إعادة المعايرة (reparameterization trick)، يقوم النموذج بأخذ عينات من هذا التوزيع لإنشاء تنبؤات عشوائية ($\hat{y} = \mu + \sigma \odot \epsilon$). يؤدي هذا إلى إحداث اضطرابات طفيفة لمحاكاة التباين الداخلي دون إعادة إدخال مقدمات هيكلية قد تؤدي إلى الإفراط في تنعيم التمثيل.

التدريب والتقييم

• دالة الخسارة: يتم تدريب النماذج من البداية إلى النهاية باستخدام جذر متوسط مربع الخطأ اللوغاريتمي (RMSLE). هذا الاختيار يعاقب على التقليل من تقدير حالات المرض بشكل أكبر من المبالغة في تقديرها، ويعامل الأخطاء النسبية بالتساوي عبر المواقع بمختلف أحجامها، مما يركز النموذج على الميزات الديناميكية العالمية بدلاً من التقلبات المحلية.
• تقدير عدم اليقين: يتم تقريب عدم اليقين المعرفي (Epistemic uncertainty) عبر طريقة تجميع (Ensemble method). يتم تدريب النموذج 100 مرة ببدايات مختلفة (قيم البذور/seeds) لإنشاء توزيع من التنبؤات، ومنها يتم اشتقاق فاصل تباين بنسبة 95%.
• مجموعات البيانات:
  • كوفيد-19 (الولايات المتحدة): 3,218 مقاطعة عبر الولايات المتحدة (2020-2022)، تغطي فترات التدريب (يناير 2020 - ديسمبر 2021) والاختبار (ديسمبر 2021 - أكتوبر 2022) مع أنماط موجية شديدة التباين.
  • جدري الماء (المجر): 20 مقاطعة (2005-2014)، تغطي فترات التدريب (2005-2012) والاختبار (2012-2014) مع أنماط موجية موسمية أكثر اتساقًا.
• النماذج المرجعية: تمت مقارنة النماذج المقترحة مع أربعة نماذج زمانية-مكانية قائمة على الرسوم البيانية (EvolveGCNH, GCLSTM, GConvLSTM, MPNNLSTM) بالإضافة إلى عدة متغيرات للاختبار الاستئصالي (إزالة العشوائية، تغيير دوال الخسارة، أو إزالة الوحدات المكانية).

النتائج الرئيسية

• الأداء: حقق النموذج المقترح PrGCNrmsle أداءً أسبوعيًا تنافسيًا عبر جميع مقاطعات الولايات المتحدة الـ 3,218 والمقاطعات المجرية الـ 20. وأظهر قدرة معززة على التنبؤ بالموجة الأولى لعام 2022 من كوفيد-19 في الولايات المتحدة وموجات جدري الماء المقارنة في المجر (2012-2014).
• الاستقرار: أظهر النهج المقترح حساسية أقل للتقلبات عالية التردد ومنخفضة السعة مقارنة بالنماذج المرجعية. كما أظهر فواصل تباين أقل في تنبؤاته عبر 100 تشغيل، مما يشير إلى استقرار أكبر.
• القيود الملحوظة:
  • التأخر الزمني: لوحظ تأخر زمني ثابت (أسبوع واحد) في التنبؤات بالنسبة للملاحظات. يميل النموذج إلى اتباع اتجاه المسار ولكنه يتأخر في التقاط التغيرات المفاجئة أو توقيت الذروة.
  • تقدير الذروة: بينما نجح PrGCNrmsle في تقريب التطور الزمني العام بشكل جيد، فإنه أحيانًا بالغ في تقدير الذروات للموجات الصغيرة أو قلل من تقدير الارتفاعات السريعة في البيانات عالية التردد.
  • متغير LSTM: أظهر متغير PrGLSTMrmsle (GCN + LSTM) زيادة في الخطأ أثناء تنبؤات ذروة الشتاء لكوفيد-19، وتطلب وقت تدريب أطول بكثير (~4.5 ضعف) مقارنة بـ PrGCNrmsle، مما يشير إلى أن طبقة LSTM قد تعاني من الإفراط في التخصيص (overfitting) للموجات التدريبية الأصغر أو تواجه صعوبة في التعامل مع الذروات الأكبر غير المرئية.
• الكفاءة الحسابية: أظهر PrGCNrmsle تقاربًا أسرع وعددًا أقل من المعلمات القابلة للتدريب مقارنة بالنماذج المرجعية القائمة على الشبكات العصبية المتكررة (RNN)، مما يجعله أكثر كفاءة حاسوبيًا للشبكات واسعة النطلة.

الأهمية والادعاءات
يدعي البحث أن البنية المقترحة تنجح في التكيف لترميز كل من الشبكات الجغرافية السكانية الكبيرة (مقاطعات الولايات المتحدة) والصغيرة (المقاطعات المجرية) ضمن هيكل نموذج واحد. ومن خلال دمج صيغة عشوائية، يمثل النموذج التقدم الوبائي العام بالنسبة للنماذج المرجعية مع الحفاظ على السلامة الهيكلية وتقليل انتشار عدم اليقين.

يضع المؤلفون هذا العمل كخطوة نحو التنبؤ الأكثر قوة بالأوبس في البيئات غير المتجانسة. ويجادلون بأن بينما يلتقط النموذج الاتجاهات المهيمنة ويوفر مراقبة مفيدة لمسارات المرض، فإن تطبيقه في سياسات الصحة العامة يتطلب تحسينات منهجية إضافية لمعالجة التأخر المتمثل في خطوة واحدة والتعامل بشكل أفضل مع التغيرات السريعة وغير الخطية في معدلات الإصابة. تسلط الدراسة الضوء على أن النماذج الحالية القائمة على الرسوم البيانية غالبًا ما تعاني من عدم التطابق بين مسارات التدريب (الأنماط المتسقة) ومسارات الاختبار (الأنماط شديدة التباين)، وأن نهجها العشوائي يقدم آلية لتمثيل نطاق الاحتمالات في انتشار الأمراض دون التضحية بالكفاءة الحسابية.