Exact moment equivalence and structural nonidentifiability in nonlinear epidemics

ある学校で噂がどのように広まるのかを解明しようとしている場面を想像してみてください。あなたは、噂が人々が集まっている時に伝わることを知っていますが、見えるのは、時間の経過とともに噂を聞いた学生の総数だけです。彼らがどのようなサイズのグループにいたのか、あるいはそれぞれのサイズのグループがいくつ存在するのかは分かりません。これは「エピデミック推論（流行推論）」というパズルです。つまり、大きな全体像から、背後にある微細で隠された詳細を逆算しようとする試みです。科学者たちは、グループのサイズが重要であることを古くから知っています。もし、3人が集まっている時の方が2人の時よりも病気が早く広まるのであれば、「グループ・サイズ分布（大小のグループの混ざり具合）」が流行の挙動を変化させます。しかし、一つの疑問が残っていました。もし我々が最終的な数字しか見ることができない場合、その流行を引き起こした正確なグループ・サイズの構成を、本当に知ることができるのでしょうか？ それとも、全く異なるグループの構成が、全く同じ流行の物語を作り出すことができるのでしょうか？

ロニ・ムスリム（Roni Muslim）によるこの論文は、感染症の数学モデル（感染して消滅するか、あるいは定着するかを表すSISおよびSIRモデル）を用いて、この謎を深く掘り下げています。著者は、病気の広がりを、人々がランダムに一時的なグループを作るゲームのように扱っています。ここでの重要な発見は、私たちのデータ学習能力における驚くべき「盲点」です。この論文は、もし病気が特定の非線形な方法（感染者が増えるとリスクが跳ね上がるようなルール）で広がる場合、流行の歴史全体が、グループ・サイズの詳細なリストではなく、いくつかの特定の「平均値」だけに依存することを証明しています。これは、全く異なる2つのグループ――例えば、一方は小さなグループが多く、もう一方は巨大なグループがいくつかある構成、もう一方は中規模のグループが混ざった構成――が、最後の変動に至るまで、全く同一の流行挙動を生み出す可能性があることを意味します。それはまるで、異なる量の材料を使った2つの異なるレシピが、どういうわけか全く同じケーキを焼き上げることができ、料理評論家が味だけでどちらのレシピが使われたかを判別できないようなものです。

グループ・サイズの偉大なる錯覚

あなたが探偵であり、手がかりが混雑した群衆のぼやけた写真だけだと想像してください。あなたは、その群衆が人々のグループで構成されていることは分かっていますが、個々の人間は見えません。ここで、2つの異なるシナリオを考えてみましょう。

• シナリオA: 群衆は、ちょうど半分が3人のグループ、残り半分が9人のグループで構成されている。
• シナリオB: 群衆は、2人、5人、12人のグループが非常に具体的な数で混ざり合った混沌とした混合状態である。

現実の世界では、これらは全く異なる群衆です。しかし、この論文の数学的世界において、もし「感染ルール」が特定の種類の非線形な数学（具体的には、感染者の数の2乗に比例してリスクが増大する二次式のルール）であれば、これら2つの全く異なる群衆は同一の感染症の流行を引き起こします。

著者はこれを「構造的不識別性（structural nonidentifiability）」と呼んでいます。これは、単にデータが不足しているとか、測定値にノイズが多いということではありません。データそのものが、その違いを識別できないのです。論文は、病気がいくつかの特定の数値、すなわちグループ・サイズの「モーメント（積率）」のみを「見ている」ことを示しています。これらのモーメントを、グループの「風味のプロファイル」と考えてみてください。

• 第1モーメントは、あなたが経験するグループの平均的なサイズのようなものです。これは、病気が始まる速さの基本速度制限を設定します。
• 第2モーメントは、「変動性」やグループのサイズがどれほどばらついているかのようなものです。これは、病気がスムーズに広がるか、あるいは、最初に何人が病気であったかに応じて、消滅するか爆発的に広がるかのどちらかになるような奇妙な状態に陥るかを制御します。

この論文は、異なる2つのグループ・サイズ分布が、これら最初の数個の「風味の数値」を共有している限り、病気の挙動は全く同じになることを証明しています。それ以外の詳細――例えば、一方がグループサイズ9を持ち、もう一方がサイズ12を持つといった事実――は、病気からは完全に不可視なのです。それは、特定の楽器にとって、2つの異なるコード（和音）が全く同じ音に聞こえるようなものです。楽器はその違いを聞き取ることができません。

「最初の不一致モーメント」のルール

では、どうすればこれら2つの異なるグループを区別できるのでしょうか？ 論文はこの巧妙なルールを明らかにしています。つまり、ゲームのルールを変えなければならないのです。

著者は、感染ルールの複雑さに応じて、病気がどの程度のモーメントを「見ている」のかを示しています。もし感染ルールが単純（線形）であれば、第1モーメントのみを見ます。もし二次式（メインの例で使用されているもの）であれば、最初の2つを見ます。もし第3モーメント（グループ9とグループ12の違い）を見たいのであれば、感染ルールをさらに複雑な三次式へとアップグレードする必要があります。

論文は「制御実験」によってこれを実証しています。

1. ステップ1: 2つの異なる分布（3と9の混合、および2、5、12の混合）を用意します。二次感染ルールを用いると、病気は両方の分布に対して全く同じように広がります。グラフ上の曲線は完璧に重なります。
2. ステップ2: 感染ルールを少し調整し、第3モーメントに敏感になるようにします。すると突然、2つの曲線が分かれます！ 病気は今や、2つのグループに対して異なる挙動を示すのです。

これは、「盲目」が観察ツールの欠陥ではなく、伝播プロトコルの根本的な限界であることを証明しています。論文は、単一の流行データから完全なグループ・サイズ分布を特定することは決してできないという考えを明確に否定しています。どれほど長く観察し、どれほど多くの人を数えたとしても、感染ルールが変わらない限り、同じ最初の数個のモーメントを共有する分布を区別することは不可能なのです。

なぜこれが重要なのか（そして、なぜ行き止まりではないのか）

この論文は単に「分からない」と言っているだけではありません。私たちが何を「知ることができるのか」、そしてより多くを知るために「何を変化させる必要があるのか」を正確に伝えています。

著者は、第1モーメントが「侵入閾値（感染が始まる境界点）」を制御することを示しています。第2モーメントは「バイスタビリティ（双安定性）」と「ヒステリシス（履歴現象）」を制御します。平たく言えば、ある種の病気においては、最初に感染している人が数人多いだけで、システムを「常在的（エンドミック）」な状態、つまり平均的な条件が消滅を示唆していても病気が決して去っていかない状態へと押し進めてしまう可能性があるということです。論文は、第2モーメントこそが、この挙動のスイッチをオンまたはオフにする役割を果たしていることを示しています。

また、論文はこれが単なる理論的な好奇心ではないことも明確にしています。彼らは（「マスター方程式」や「ギレスピー・アルゴリズム」と呼ばれるものを用いて）大規模なコンピュータ・シミュレーションを実行し、数学が無限の人数という理想化された極限だけでなく、有限の集団においても成立することを証明しました。彼らは「生存確率（病気が死滅するまでの期間）」や「最終的な流行規模（最終的に何人が病気になるか）」についても確認しました。あらゆるケースにおいて、感染ルールがより高い次数のモーメントを見るように変更されない限り、2つの異なる分布は同一の結果を生み出しました。

結論として、この論文は、私たちが学べることの精密な限界を描き出しています。もし流行を見ているのであれば、その病気が関心を寄せる「平均的なグループ体験」と「グループ体験の変動性」を導き出すことはできます。しかし、グループ・サイズの完全なリストを再構築することはできません。それを実現するには、異なるルール――例えば、異なる広がり方をする別のウイルスや、グループの測り方の異なる方法――の下で病気が広がる様子を観察する必要があるのです。

結局のところ、この論文は、私たちの社会生活の詳細が、そこを旅する病気によって部分的に隠されているという鮮やかな世界を描いています。全く異なる社会構造が、ウイルスにとっては全く同じに見えることがあり、ゲームのルールを変えない限り、数字が増減する様子を観察するだけでは、それらを区別することはできないのです。これは、最も重要な情報とは、データが単に見ることのできないものであることもあるのだということを、私たちに思い出させてくれます。