그래프 결합 은닉 마코프 모델로 보는 감염 전파

초록

본 논문은 개인 간 접촉 네트워크를 그래프로 표현하고, 각 개인의 감염 상태를 은닉 마코프 모델(HMM)로 모델링한 뒤, 그래프 구조에 따라 상태 전이 확률을 연결하는 그래프‑결합 HMM(GCHMM)을 제안한다. 84명의 모바일 전화 데이터를 이용해 시간에 따라 변하는 사회적 접촉망을 구축하고, 이를 통해 개인 수준의 감염 예측 및 전파 메커니즘을 정량화한다. 실험 결과, 기존 집단 수준 모델보다 개인별 감염 확률을 더 정확히 추정함을 보이며, 개인 맞춤형 보건 조언 제공 가능성을 제시한다.

상세 분석

본 연구는 전통적인 전염병 모델이 전체 인구를 하나의 동질 집단으로 가정하는 한계를 극복하고자, 개별 에이전트의 상태 변화를 그래프 기반의 종속성으로 연결하는 새로운 확률 모델인 Graph‑Coupled Hidden Markov Model(GCHMM)을 설계하였다. 기본적인 HMM은 각 개인을 독립적인 마코프 체인으로 취급하지만, 실제 감염 전파는 사람 간 접촉에 의해 발생한다는 점을 반영하기 위해, 논문은 각 개인을 노드로, 시간에 따라 변하는 접촉 관계를 에지로 하는 동적 그래프를 도입한다. 이 그래프는 매 시간 단계마다 관측된 스마트폰 블루투스 스캔 혹은 위치 데이터 등을 통해 구축되며, 에지는 두 개인이 물리적으로 근접했음을 의미한다.

GCHMM의 핵심은 전이 확률이 두 부분으로 분해된다는 점이다. 첫 번째는 개인 고유의 자연 회복·감염 확률(자기 전이)이며, 두 번째는 이웃 노드들의 현재 감염 상태에 의해 추가되는 외부 감염 압력이다. 수학적으로는 각 개인 i의 감염 상태 S_i^t∈{0,1}에 대해
P(S_i^{t+1}=1|S_i^t, {S_j^t}{j∈N_i^t}) = 1 − (1 − β)^{∑{j∈N_i^t}S_j^t}·(1 − α)
와 같은 형태를 사용한다. 여기서 β는 접촉당 감염 전파 확률, α는 외부(그래프 외부) 감염 확률, N_i^t는 시점 t에서 i와 연결된 이웃 집합이다. 이 식은 이웃이 다 감염일수록 전이 확률이 기하급수적으로 증가함을 나타내며, 실제 바이러스 전파 메커니즘을 잘 모사한다.

추론 단계에서는 관측 변수(예: 발열, 기침 등 증상)와 숨은 상태를 동시에 추정해야 하므로, 변분 베이지안 방법과 Gibbs 샘플링을 결합한 혼합 MCMC 알고리즘을 제안한다. 구체적으로, 각 시간 단계별로 숨은 상태를 조건부 확률에 따라 샘플링하고, β와 α 같은 전역 파라미터는 사전 베타 분포를 두어 사후 업데이트한다. 이때 그래프 구조가 시간에 따라 변동하므로, 매 반복마다 현재 그래프에 맞는 이웃 집합을 재계산한다.

실험 데이터는 84명의 대학생을 대상으로 2개월 이상 수집된 스마트폰 로그와 일일 건강 설문을 결합하였다. 로그는 블루투스 스캔을 통해 근접 접촉을, 설문은 발열·기침·인후통 등 증상을 이진 관측값으로 제공한다. 논문은 GCHMM을 기존의 독립 HMM, 표준 Coupled HMM, 그리고 전통적인 SIR(감염‑회복) 모델과 비교하였다. 평가 지표는 개인별 감염 상태 예측 정확도, ROC‑AUC, 그리고 전파 경로 재구성 정확도이다. 결과는 GCHMM이 특히 감염 초기 단계에서 높은 민감도를 보이며, 개인 맞춤형 위험도 추정에 유리함을 입증한다. 또한, 그래프가 동적으로 변함에도 불구하고 모델이 안정적으로 수렴한다는 점이 강조된다.

한계점으로는 (1) 데이터 수집이 제한된 소규모 집단에 국한돼 일반화에 주의가 필요하고, (2) 블루투스 기반 접촉 측정이 실제 전파 위험을 완전히 반영하지 못할 수 있다는 점, (3) 파라미터 β와 α가 시간에 따라 일정하다는 가정이 현실과 다를 수 있다는 점을 들었다. 향후 연구에서는 파라미터를 시간‑동적 함수로 확장하고, 더 큰 규모의 모바일 네트워크와 병원 진단 데이터와 결합해 모델의 외적 타당성을 검증할 계획이다.