[論文レビュー] Approximation Algorithms for Reducing the Spectral Radius to Control Epidemic Spread

Sudip Saha, Abhijin Adiga+2 more|arXiv (Cornell University)|Jan 26, 2015

Complex Network Analysis Techniques参考文献 34被引用数 23

ひとこと要約

本稿では、感染症の広がりを制御するために不可欠なネットワークのスペクトル半径を削減するための、証明可能な効率性を持つ近似アルゴリズムを提示する。エッジの削除（隔離）またはノードの削除（ワクチン接種）によって実現される。提案されたGreedyWalkアルゴリズムは、$k = \Theta(\log n)$の長さの閉路ウォークを標的とすることで、$O(\log^2 n)$-近似を達成し、実用的かつ優れた理論的保証を提供する。

ABSTRACT

The largest eigenvalue of the adjacency matrix of a network (referred to as the spectral radius) is an important metric in its own right. Further, for several models of epidemic spread on networks (e.g., the `flu-like' SIS model), it has been shown that an epidemic dies out quickly if the spectral radius of the graph is below a certain threshold that depends on the model parameters. This motivates a strategy to control epidemic spread by reducing the spectral radius of the underlying network. In this paper, we develop a suite of provable approximation algorithms for reducing the spectral radius by removing the minimum cost set of edges (modeling quarantining) or nodes (modeling vaccinations), with different time and quality tradeoffs. Our main algorithm, extsc{GreedyWalk}, is based on the idea of hitting closed walks of a given length, and gives an $O(\log^2{n})$-approximation, where $n$ denotes the number of nodes; it also performs much better in practice compared to all prior heuristics proposed for this problem. We further present a novel sparsification method to improve its running time. In addition, we give a new primal-dual based algorithm with an even better approximation guarantee ($O(\log n)$), albeit with slower running time. We also give lower bounds on the worst-case performance of some of the popular heuristics. Finally we demonstrate the applicability of our algorithms and the properties of our solutions via extensive experiments on multiple synthetic and real networks.

研究の動機と目的

• 感染症の広がりを制御するため、エッジの削除（SRME）またはノードの削除（SRMN）によってスペクトル半径最小化（SRM）問題を解決すること。
• 従来のヒューリスティクスに理論的保証が欠如しているのを補うために、SRMEおよびSRMNのための、初めての証明可能な正確な近似アルゴリズムを開発すること。
• ProductDegree、EigenScore、PageRankといった一般的なヒューリスティクスの最悪ケース性能を分析し、最適解から任意に遠ざかる可能性があることを示すこと。
• グラフスパarsificationとプライマルデュアル法を用いた効率的な変種を設計し、実行時間の向上を図るとともに、近似品質を維持すること。
• 多様な合成ネットワークおよび実世界のネットワーク上で提案されたアルゴリズムを実験的に検証し、既存手法に比べて一貫して優れた性能を示すこと。

提案手法

• GreedyWalkは、長さ$k = \Theta(\log n)$の閉路ウォークを最大限にカバーするエッジを特定し、削除することで、スペクトル半径がウォーク数に依存することを活用する。
• アルゴリズムは、スペクトル半径が$ (1+\epsilon)T $未満に低下することを保証し、$ T = \delta/\beta $が感染症の閾値であることを考慮し、$ O(\log n \log \Delta) $-近似保証を達成する。
• GreedyWalkSparseは、計算中に動的スパース化を適用してグラフの密度を低下させることで、実行時間を大幅に短縮しながらも、解の品質を損なわない。
• PrimalDualは、プライマルデュアルフレームワークを用いて、よりタイトな$ O(\log n) $-近似を達成するが、計算コストは高くなる。
• ウォークヒットおよびスペクトル解析フレームワークを適応させることで、エッジの非一様伝搬率やノード削除（SRMN）に対応するようにアルゴリズムを拡張する。
• 性能評価は、エイジェントスコアまたはプロダクトディグリーに基づいてエッジを選択するハイブリッドヒューリスティクス（Hybrid）をベースラインとして用いる。

実験結果

リサーチクエスチョン

• RQ1 ProductDegree、EigenScore、PageRankといった既存のヒューリスティクスは、スペクトル半径最小化の最悪ケースにおいてどの程度の性能を示すのか？
• RQ2 エッジまたはノードの削除によるスペクトル半径の低減に対して、近似比が有界な証明可能な効率的アルゴリズムを設計できるか？
• RQ3 ウォークヒットに基づくアルゴリズム（例：GreedyWalk）の性能に、ウォーク長$k$がどのように影響するか？
• RQ4 グラフスパース化は、スペクトル半径低減アルゴリズムの実行時間および解の品質にどのような影響を与えるか？
• RQ5 提案されたアルゴリズムは、非一様伝搬率およびノード削除（ワクチン接種）の状況に対応して拡張可能か？

主な発見

• ProductDegree、EigenScore、PageRankヒューリスティクスは、最悪ケースで任意に劣った性能を示す可能性があり、最適解とのコスト比が$ \Omega(n / T^2) $に達する可能性がある。
• GreedyWalkは、エッジ削除（SRME）に対して$ O(\log^2 n) $-近似を達成し、合成ネットワークおよび実世界ネットワークの両方で、テストされたすべてのヒューリスティクスを常に上回る性能を示す。
• GreedyWalkSparseは、動的スパース化により実行時間を顕著に短縮しながらも、解の品質を維持するため、大規模ネットワークへの実用的適用が可能である。
• PrimalDualアルゴリズムは、より複雑な最適化手法を用いることで、理論的近似保証を$ O(\log n) $に改善し、よりタイトな境界が達成可能であることを示している。
• 実験的結果から、GreedyWalkはウォーク長$k = 2\log n$で最良の性能を示し、$k$がそれより小さい場合には性能が急激に低下することが確認され、理論的根拠としての$ \Theta(\log n) $の選択が妥当であることが裏付けられた。
• アルゴリズムは静的および時間変動型の伝搬率設定の両方で有効であり、干渉策定のためのネットワーク代替指標の選定を支援できる。