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

Résumé Technique : Apprentissage sur Graphes Stochastiques Spatio-Temporels pour la Prévision des Maladies Infectieuses

Énoncé du Problème
Les modèles existants d'apprentissage sur graphes spatio-temporels pour la prévision des maladies infectieuses (par exemple, pour la COVID-19 et la varicelle) ont largement sous-étudié l'intégration de la modélisation stochastique dans leurs processus d'apprentissage. De plus, la plupart des travaux antérieurs se concentrent sur des réseaux géographiques de petite à moyenne taille (par exemple, 20 à 400 régions) ou présentent une variabilité limitée dans leurs trajectoires de test, qui ne parviennent souvent pas à refléter les fluctuations complexes, hétérogènes et à haute fréquence observées dans la propagation réelle des maladies à travers de vastes nations. Par conséquent, il n'est pas clair si les architectures actuelles peuvent prévoir avec précision les trajectoires de maladies dans des réseaux épidémiologiques à grande échelle et hautement variables.

Méthodologie
Les auteurs proposent une Architecture d'Apprentissage sur Graphes Stochastiques Spatio-Temporels conçue pour prévoir le nombre de nouveaux cas de maladies infectieuses en intégrant une formulation stochastique et une approximation de l'incertitude. L'architecture se compose de trois modules séquentiels :

1. Encodage de Séquences Multivariées : Ce module normalise les données d'incidence temporelle des maladies et les connexions géographiques. Il crée des échantillons de séquences décalées ($X(t)$) où les données temporelles sont mises à l'échelle dans $[0, 1]$ et organisées dans un domaine de graphe spatial statique. L'entrée comprend un tenseur spatio-temporel représentant les cas de maladies à travers $G_l$ localisations sur une fenêtre $W$, associé à des tenseurs d'index d'arêtes et des attributs représentant la topologie géographique.
2. Traitement Spatio-Temporel : Ce module extrait des caractéristiques latentes à l'aide de deux variantes proposées :
   • PrGCNrmsle : Basé sur une couche de Réseau de Convolution sur Graphe (GCN). Il agrège les informations des nœuds voisins en utilisant une normalisation symétrique pour apprendre des corrélations spatiales invariantes à la densité de connectivité locale.
   • PrGLSTMrmsle : Étend le GCN avec une couche de Mémoire à Long Court Terme (LSTM). Cette version traite les sorties du GCN pour capturer les dépendances temporelles et l'évolution de l'état caché, filtrant le bruit à court terme tout en conservant la mémoire des dynamiques multi-vagues.
3. Méthode Stochastique : Une couche entièrement connectée (MLP) projette les caractéristiques latentes vers un descripteur à 2 dimensions par localisation, représentant la moyenne ($\mu$) et le logarithme de la variance ($\ln \sigma$) d'une distribution normale. En utilisant une technique de reparamétrage, le modèle échantillonne à partir de cette distribution pour générer des prédictions stochastiques ($\hat{y} = \mu + \sigma \odot \epsilon$). Cela induit des perturbations minimales pour simuler la variabilité interne sans réintroduire de priors structurels qui pourraient trop lisser la représentation.

Entraînement et Évaluation

• Fonction de Perte : Les modèles sont entraînés de bout en bout en utilisant l'Erreur Quadratique Moyenne Logarithmique Racinée (RMSLE). Ce choix pénalise plus lourdement la sous-estimation des cas de maladie que la surestimation et traite les erreurs relatives de manière égale entre les localisations de tailles différentes, se concentrant sur les caractéristiques dynamiques globales plutôt que sur les fluctuations locales.
• Estimation de l'Incertitude : L'incertitude épistémique est approximée via une méthode d'ensemble. Le modèle est entraîné 100 fois avec différentes initialisations (valeurs de seed) pour générer une distribution de prédictions, à partir de laquelle un intervalle de variabilité de 95 % est dérivé.
• Jeux de Données :
  • COVID-19 (États-Unis) : 3 218 comtés à travers les États-Unis (2020–2022), couvrant les périodes d'entraînement (janvier 2020 – décembre 2021) et de test (décembre 2021 – octobre 2022) avec des modèles de vagues hautement variables.
  • Varicelle (Hongrie) : 20 comtés (2005–2014), couvrant les périodes d'entraînement (2005–2012) et de test (2012–2014) avec des modèles de vagues saisonnières plus cohérents.
• Modèles de Référence (Baselines) : Les modèles proposés ont été comparés à quatre modèles de graphes spatio-temporels (EvolveGCNH, GCLSTM, GConvLSTM, MPNNLSTM) ainsi qu'à plusieurs variantes d'ablation (suppression de la stochasticité, changement des fonctions de perte ou suppression des modules spatiaux).

Résultats Clés

• Performance : Le modèle PrGCNrmsle proposé a obtenu des performances hebdomadaires globales compétitives sur l'ensemble des 3 218 comtés américains et des 20 comtés hongrois. Il a démontré une capacité accrue à prévoir la première vague de COVID-19 de 2022 aux États-Unis et les vagues comparables de la varicelle en Hongrie (2012–2014).
• Stabilité : L'approche proposée a montré une sensibilité réduite à la variabilité de haute fréquence et de faible amplitude par rapport aux modèles de référence. Elle a présenté des intervalles de variabilité plus faibles dans ses prédictions sur 100 exécutions, indiquant une plus grande stabilité.
• Limitations Observées :
  • Délai Temporel : Un délai d'une étape constant (une semaine) a été observé dans les prédictions par rapport aux observations. Le modèle tend à suivre la direction de la tendance mais accuse un retard dans la capture des changements brusques ou du moment des pics.
  • Estimation des Pics : Bien que le PrGCNrmsle ait bien approximé l'évolution temporelle globale, il a parfois surestimé les pics pour les petites vagues ou sous-estimé les pics rapides dans les données à haute fréquence.
  • Variante LSTM : La variante PrGLSTMrmsle (GCN + LSTM) a montré une erreur accrue lors des prédictions des pics hivernaux pour la COVID-19 et a nécessité un temps d'entraînement nettement plus long (~4,5x) que le PrGCNrmsle, suggérant que la couche LSTM peut faire du surapprentissage sur les petites vagues d'entraînement ou avoir du mal avec les pics plus importants et inédits.
• Efficacité Computationnelle : Le PrGCNrmsle a démontré une convergence plus rapide et moins de paramètres entraînables par rapport aux modèles de référence basés sur les RNN, ce qui le rend plus efficace sur le plan computationnel pour les réseaux à grande échelle.

Signification et Revendications
L'article affirme que l'architecture proposée réussit à s'adapter pour encoder des réseaux géographiques de populations tant larges (comtés américains) que petites (comtés hongrois) au sein d'une structure de modèle unique. En incorporant une formulation stochastique, le modèle représente la progression épidémique globale par rapport aux références tout en maintenant l'intégrité structurelle et en minimisant la propagation de l'incertitude.

Les auteurs positionnent ce travail comme une étape vers une prévision épidémique plus robuste dans des contextes hétérogènes. Ils soutiennent que, bien que le modèle capture les tendances dominantes et fournisse une surveillance utile des trajectoires de maladies, son application aux politiques de santé publique nécessite des améliorations méthodologiques supplémentaires pour traiter le délai d'une étape et mieux gérer les changements rapides et non linéaires de l'incidence. L'étude souligne que les modèles basés sur les graphes actuels peinent souvent face au décalage entre les trajectoires d'entraînement (motifs cohérents) et les trajectoires de test (motifs hautement variables), et que leur approche stochastique offre un mécanisme pour mieux représenter l'éventail des possibilités de propagation des maladies sans sacrifier l'efficacité computationnelle.