Koopman Representations for Early Outbreak Warning and Minimal Counterfactual Intervention in Multi-Agent Epidemic Simulations

Riepilogo Tecnico: Rappresentazioni di Koopman per l'Avviso Precoce di Focolai e l'Intervento Controfattuale Minimale

Enunciato del Problema
Il documento affronta la sfida di prevedere e controllare gli esiti epidemici in sistemi complessi multi-agente prossimi a punti di svolta critici. In regimi in cui la trasmissibilità non è né sufficientemente bassa da garantire l'estinzione né sufficientemente alta da garantire un focolaio diffuso, l'esito finale (contenimento della diffusione vs. focolaio maggiore) è altamente sensibile a piccole perturbazioni nelle condizioni iniziali, nel tempismo o nelle interazioni locali. I tradizionali modelli compartimentali aggregati (ad es. SIR) spesso oscurano l'eterogeneità individuale e le strutture di contatto spaziali, mentre i modelli basati su agenti (ABM) generano dinamiche non lineari ad alta dimensionalità difficili da riassumere o prevedere precocemente. Il problema centrale è duplice: (1) Le osservazioni aggregate precoci di una traiettoria epidemica in sviluppo possono prevedere in modo affidabile se il sistema supererà la soglia di un focolaio maggiore? e (2) Se una traiettoria è prevista come pericolosa, possono interventi controfattuali minimi e localizzati (ad es. limitare la mobilità di un singolo agente per un giorno) alterare la traiettoria a lungo termine del sistema per prevenire il focolaio?

Metodologia
Gli autori propongono un framework computazionale composto da tre componenti:

1. Simulatore Epidemico Multi-Agente:

   • Ambiente: Una griglia spaziale ($50 \times 50$) con 200 ubicazioni domestiche fuori griglia e 500 agenti.
   • Dinamiche: Gli agenti seguono routine giornaliere fisse con sfasamenti di fase, creando pattern di contatto eterogenei. La trasmissione avviene tramite co-localizzazione nelle celle della griglia.
   • Progressione della Malattia: Gli agenti possiedono categorie di suscettibilità e immunità eterogenee (forte, media, bassa, compromessa), che determinano le curve individuali della carica virale. La carica virale determina l'infettività e le restrizioni comportamentali (ad es. gli agenti con cariche virali elevate diventano confinati in casa).
   • Trasmissione: Una regola deterministica basata su una soglia, fondata sul prodotto della carica virale della fonte e della suscettibilità del bersaglio.
   • Osservabili: Il sistema registra conteggi aggregati giornalieri (suscettibili, infetti, guariti, morti, nuovi casi, infetti mobili vs. confinati in casa) piuttosto che stati microscopici completi per il compito di previsione.

2. Rappresentazione di Koopman e Avviso Precoce:

   • Apprendimento di Koopman: Gli autori apprendono una rappresentazione latente a bassa dimensionalità ($z_d \in \mathbb{R}^6$) delle traiettorie epidemiche precoci (finestre di 5 giorni) utilizzando un encoder neurale. Le dinamiche in questo spazio latente sono approssimate da una matrice di transizione lineare ($A$), permettendo previsioni a breve orizzonte ($h=5$ giorni) tramite $z_{d+1} \approx A z_d$.
   • Obiettivo di Addestramento: Il modello minimizza la perdita di ricostruzione, la perdita di linearità latente e la perdita di previsione multi-step.
   • Classificazione: Un classificatore Random Forest utilizza caratteristiche derivate dalla finestra di osservazione precoce (statistiche dirette) e dallo spazio latente di Koopman (coordinate latenti e previsioni) per prevedere la probabilità di un focolaio maggiore (definito come un tasso di attacco finale $\rho \ge 0.3$).

3. Intervento Controfattuale:

   • Protocollo: Per le traiettorie previste ad alto rischio, il sistema esegue simulazioni controfattuali. Un singolo agente viene messo in quarantena (costretto a rimanere in casa) per un singolo giorno selezionato, mentre tutti gli altri parametri (semi casuali, condizioni iniziali, routine) rimangono identici alla baseline.
   • Metriche: Il successo dell'intervento è misurato dalla riduzione del tasso di attacco finale ($\Delta \rho$) e dal picco del numero di infetti. Un intervento è considerato "prevenzione del focolaio" se sposta il tasso di attacco finale da $\ge 0.3$ a $< 0.3$.

Contributi Chiave

• Avviso Precoce Basato su Koopman: Il documento dimostra che l'apprendimento dell'operatore di Koopman può comprimere efficacemente traiettorie epidemiche multi-agente non lineari ad alta dimensionalità in uno spazio latente a bassa dimensionalità che preserva le informazioni rilevanti per gli esiti a lungo termine.
• Integrazione delle Caratteristiche: Dimostra che le caratteristiche derivate da Koopman (stati latenti e previsioni) sono informative quanto i riassunti epidemiologici diretti (ad es. conteggi di infezioni attive) per la classificazione del rischio di focolaio, raggiungendo un'alta accuratezza con finestre di osservazione brevi.
• Analisi dell'Intervento Minimale: Lo studio fornisce un metodo sistematico per testare la modificabilità delle traiettorie near-critiche. Stabilisce che perturbazioni minime (un agente, un giorno) possono alterare qualitativamente il regime del sistema, spostandolo da un focolaio maggiore all'estinzione, a condizione che l'intervento avvenga prima che la catena di trasmissione diventi autosostenibile.
• Caratterizzazione del Punto di Svolta: Il lavoro caratterizza il regime "near-critico" in cui impostazioni parametriche simili producono esiti divergenti, evidenziando la sensibilità del sistema a specifiche sequenze di contatto piuttosto che ai soli tassi di trasmissione aggregati.

Risultati Sperimentali

• Dataset: Sono stati generati 10.200 run di simulazione con parametri di suscettibilità variati strettamente attorno a un punto di transizione (1.3015–1.3025), risultando in un dataset quasi bilanciato di run contenute (4.825) e di focolai maggiori (5.375).
• Prestazioni di Previsione:
  • Il modello Koopman da solo ha raggiunto un ROC AUC di 0.9980 a livello di run.
  • Il classificatore Random Forest, utilizzando sia caratteristiche dirette che derivate da Koopman, ha raggiunto un'accuratezza di test di 0.9958 e un ROC AUC di 0.9999 su finestre di 5 giorni tenute da parte.
  • L'analisi dell'importanza delle caratteristiche ha confermato che le caratteristiche derivate da Koopman hanno contribuito in modo significativo (22,49%) alla classificazione, paragonabili alle caratteristiche delle serie temporali di infetti dirette (23,57%).
• Esiti dell'Intervento:
  • In casi controfattuali illustrativi, una quarantena di un giorno di un agente selezionato ha prevenuto con successo focolai maggiori in diversi istanti, riducendo il tasso di attacco finale da ~0,69 a vicino allo zero.
  • In altri casi, lo stesso tipo di intervento ha solo ritardato il picco epidemico o ridotto il carico attivo massimo senza prevenire il focolaio finale, dimostrando che l'efficacia degli interventi minimi dipende fortemente dalla posizione dinamica specifica della traiettoria.

Significato e Affermazioni
Il documento afferma di fornire un framework computazionale per studiare comportamenti simili a transizioni di fase in sistemi multi-agente. Il suo significato primario risiede nell'uso congiunto di previsione precoce e simulazione controfattuale:

1. Identificazione di Traiettorie Modificabili: Il framework identifica traiettorie in cui l'esito non è ancora predeterminato e rimane sensibile a piccole perturbazioni.
2. Fattibilità dell'Intervento Minimale: Dimostra che in regimi near-critici, interventi estremamente localizzati e temporanei possono essere sufficienti per reindirizzare un sistema lontano da un esito catastrofico, sfidando la nozione che solo misure ampie e su scala di popolazione siano efficaci.
3. Ponte Metodologico: Il lavoro collega dinamiche non lineari, analisi spettrale (tramite operatori di Koopman) e supporto decisionale guidato dai dati, mostrando che le rappresentazioni latenti apprese possono servire sia come strumenti di previsione che come fonti di caratteristiche per la pianificazione degli interventi.

Gli autori dichiarano esplicitamente che si tratta di uno studio computazionale controllato che utilizza agenti astratti e regole di trasmissione semplificate. Non affermano che i risultati costituiscano un sistema decisionale epidemiologico calibrato per l'applicazione nel mondo reale, ma piuttosto una prova di concetto per l'analisi dei punti di svolta e della sensibilità agli interventi in sistemi adattivi complessi. Si suggerisce che il lavoro futuro includa assunzioni più ricche (vaccinazione, reti dettagliate) e politiche vincolate dai costi.