SL-BiLEM: 구조화된 학습 기반 루프 내 행동 모델을 활용한 역학 예측 및 정책 평가

SL-BiLEM: Structured Learnable Behavior-in-the-Loop Epidemic Modeling for Forecasting and Policy Evaluation

역학 예측은 근본적인 어려움에 직면합니다. 인간의 행동은 질병 확산에 동적으로 반응하여 피드백 루프를 형성하고, 정책 개입 지점에서 데이터 분포의 변화를 유발합니다. 이러한 분포 변화는 데이터 기반 모델의 신뢰성을 떨어뜨립니다. 본 논문에서는 물리적 제약을 정규화 방법으로 활용하여 강력한 외삽을 가능하게 하는 **SL-BiLEM (Structured Learnable Behavior-in-the-Loop Epidemic Model)** 프레임워크를 제안합니다. 이 프레임워크는 효과적인 전파율을 다음과 같이 분해합니다: $β_{ ext{eff}}(t,g) = β_0(g) × m_{ ext{policy}}(t) × m_{ ext{media}}(t) × m_{ ext{comp}}(t,g)$. 여기서 학습된 준수 함수에 대한 단조 증가, 매끄러움 및 제한적인 점프 제약 조건을 적용하여 새로운 정책 환경에서도 예측의 정확성을 유지합니다. SL-BiLEM은 예측뿐만 아니라 개입 결정 지원을 위한 가상 분석 기능을 제공합니다. 세 개의 실제 데이터셋(크루즈선, 학교 인플루엔자, 학교 지역 COVID-19 감시)에 대한 예측 성능을 검증하고, 알려진 정답을 가진 합성 벤치마크에서 가상 분석의 정확도를 평가했습니다. SL-BiLEM은 다음과 같은 결과를 보였습니다: (1) 신경-역학적 기준 모델보다 76% 향상된 성능을 보였으며, 정책에 의해 유발된 변화 하에서 신경 기반 모델보다 53%의 OOD(Out-Of-Distribution) 성능 저하만 나타냈습니다(신경 기반 모델은 1142%의 성능 저하); (2) 27개의 합성 가상 실험에서 부트스트랩 신뢰 구간 커버리지율이 100%를 달성했습니다; (3) 치료 효과 정확도가 0.85을 초과했습니다. 이러한 결과는 SL-BiLEM이 정확한 예측과 체계적인 개입 계획을 추구하는 공중 보건 의사 결정자에게 유용한 해석 가능한 도구임을 입증합니다.

Epidemic forecasting faces a fundamental challenge: human behavior dynamically responds to disease spread, creating feedback loops that induce distribution shifts at policy intervention points. This renders data-driven models unreliable under distribution shift. We propose \textbf{SL-BiLEM} (Structured Learnable Behavior-in-the-Loop Epidemic Model), leveraging physical constraints as regularization for robust extrapolation. The framework decomposes effective transmission as $β_{\text{eff}}(t,g) = β_0(g) \times m_{\text{policy}}(t) \times m_{\text{media}}(t) \times m_{\text{comp}}(t,g)$, where monotonicity, smoothness, and bounded-jump constraints on the learned compliance function maintain predictive validity under novel policy regimes. Beyond forecasting, SL-BiLEM enables counterfactual analysis for intervention decision support. We validate forecasting on three real-world datasets (cruise ship, school influenza, and school-district COVID-19 surveillance) and evaluate counterfactual recovery on synthetic benchmarks with known ground truth. SL-BiLEM demonstrates: (1) 76\% improvement over neural-mechanistic baselines, with only 53\% OOD degradation versus 1142\% for neural baselines under policy-induced shift; (2) 100\% bootstrap CI coverage across 27 synthetic counterfactual experiments; and (3) Treatment Effect Accuracy exceeding 0.85. These results establish SL-BiLEM as an interpretable tool for public health decision-makers seeking accurate prediction and principled intervention planning.