How (Not) to Hybridize Neural and Mechanistic Models for Epidemiological Forecasting

Motivation

• Known: SIR/SIRS 같은 compartmental model은 역학적 해석 가능성과 물리적 타당성을 제공하지만 파라미터 정상성 가정에 의존하며, RNN/TCN/transformer 등 딥러닝 모델은 성능은 좋지만 black-box이며 장기 예측이나 regime shift에서 비일관적 결과를 낼 수 있다. Neural ODE, latent ODE, PINN 등 하이브리드 프레임워크가 두 접근을 결합하려는 시도로 제안되어 왔다.
• Gap: 실제로는 감염자 수 등 일부 compartment만 관측 가능한 부분관측성과, 전파율·회복률 등이 행동변화·계절성·면역 감소·개입 등으로 지속 변화하는 비정상성이 상호작용하며 증폭되어, 겉보기에 단순한 neural-mechanistic 결합들이 장기 롤아웃 불안정과 피크 예측 편향을 일으키는 실패 양상이 있음에도 이를 체계적으로 규명하고 해결한 연구가 부족했다.
• Why: 피크 부근에서의 작은 성장률 오차가 피크 시점과 크기에 큰 오차로 전이되는 등, 장기 예측 안정성과 피크 예측 가능성은 공중보건 의사결정에 직결되는 문제이며, 어떤 하이브리드화 방식이 실제로 도움이 되고 어떤 것이 오히려 해를 끼치는지에 대한 원칙적 이해가 필요하다.
• Approach: Vanilla neural ODE, AE-NODE, adjoint 기반 양방향 학습, physics-informed loss, Neural CDE-ODE 하이브리드 등 다양한 결합 방식이 부분관측성과 비정상성 하에서 실패하는 원인을 실험적으로 규명(antipattern 카탈로그화)한 뒤, 관측된 감염 시계열을 trend·seasonal·residual로 분해해 이를 해석 가능한 제어 신호로 삼아 controlled neural ODE와 SIRS 역학 모델을 결합한 EpiNode를 제안한다.

Achievement

1. 실패 모드 카탈로그화: Neural ODE, AE-NODE, 양방향(adjoint) 학습, physics-informed loss, Neural CDE-ODE 하이브리드가 부분관측성과 시변 파라미터 하에서 각각 어떻게 실패하는지(비식별성, 퇴화해, 다중 파동 미포착 등)를 구체적 사례로 규명했다.
2. EpiNode 제안: 감염 시계열의 다중 스케일(trend/seasonal/residual) 분해를 제어 신호로 사용해 latent 연속시간 동역학을 구동하고, SIRS의 시변 전파율·회복률·면역소실률을 동시에 추론하는 decomposition-controlled hybrid 프레임워크를 개발했다.
3. 정량적 성능 우위: 5개 데이터셋 전체에서 가장 낮은 RMSE(최강 baseline 대비 최대 57% 감소)를 달성하고, 5개 중 4개에서 피크를 한 시간 스텝 이내로 예측했으며, 보조 covariate 없이도 시변 역학 파라미터를 ground-truth 범위 내로 복원했다.

How

• Neural ODE와 AE-NODE(encoder-latent ODE-decoder)를 전체 SIR 관측 및 I(t)만 관측하는 두 조건에서 비교해 부분관측성 하 비식별성 문제를 확인
• Koopman autoencoder와 adjoint sensitivity에서 영감을 받은 양방향(forward+backward) 학습 목적함수를 도입해 최적화 안정성은 개선되나 식별성 문제는 해결하지 못함을 검증
• SIR/SIRS 미분방정식 위반을 벌점화하는 physics-informed loss를 I(t)만 관측된 상황에서 적용, SIR에서는 양호하나 SIRS(재감염 포함)에서는 퇴화해가 발생함을 확인
• Neural CDE와 CDE-ODE 하이브리드를 다중 파동(ILI 등) 데이터에 적용해 실패 사례 분석
• 최종적으로 관측된 감염 시계열을 trend, seasonal, residual로 분해하고 이를 interpretable control signal로 사용하는 controlled neural ODE를 SIRS 역학 모델과 결합한 EpiNode를 설계, joint하게 예측과 시변 전파율·회복률·면역소실률 추정을 수행
• 초기 발병(early outbreak) 및 다중 파동(multi-wave) 레짐을 포함한 5개 합성/실제 데이터셋으로 lookback window와 forecast horizon에 따른 정확도 평가

Originality

• 기존 연구들이 개별 하이브리드 기법(neural ODE, PINN, adjoint 학습 등)의 성공 사례를 제시하는 데 집중한 것과 달리, 본 논문은 실패 모드를 체계적으로 카탈로그화하여 '무엇을 하지 말아야 하는가'라는 역발상적 관점을 제시
• 감염 시계열의 다중 스케일 분해(trend/seasonal/residual)를 interpretable control signal로 활용해 neural ODE의 latent dynamics를 구동한다는 아이디어는 기존의 blackbox latent 구동 방식과 차별화됨
• 부분관측성과 비정상성이라는 두 난제가 상호 악화(vicious cycle)되는 메커니즘을 명시적으로 규명하고 이를 해결하는 설계 원칙을 제시

Limitation & Further Study

• 발췌된 부분에서는 SIRS 기반 프레임워크에 국한되어 있어, 더 복잡한 compartmental 구조(SEIR, 연령/지역 계층화 등)로의 일반화 가능성이 검증되지 않음
• trend/seasonal/residual 분해가 특정 분해 기법(예: STL 등)에 의존할 경우 노이즈가 크거나 비주기적인 신흥 전염병(예: 팬데믹 초기)에서의 강건성이 불분명
• 5개 데이터셋에 대한 평가로 일반화 주장의 폭이 제한적일 수 있으며, 다양한 국가/질병 특성에 따른 추가 검증이 필요
• 후속 연구로 공간적 이질성(다지역 결합), 다른 mechanistic 모델과의 결합, 불확실성 정량화(uncertainty quantification) 강화 등을 고려할 수 있음

Evaluation

총평: 신경망-역학 하이브리드 모델의 실패 양상을 체계적으로 규명한 진단적 기여와, 이를 바탕으로 해석 가능한 다중 스케일 제어 신호를 도입한 EpiNode의 실증적 성능 향상이 돋보이는 연구로, 역학 예측 분야에 실질적인 방법론적 지침을 제공한다.