[論文レビュー] Dynamics of infectious disease in clustered networks with arbitrary degree distributions

Erik Volz|arXiv (Cornell University)|Jun 4, 2010

Complex Network Analysis Techniques参考文献 31被引用数 9

ひとこと要約

本稿では、任意の次数分布を持つクラスタリングされたネットワークにおけるSIR流行病ダイナミクスを研究する低次元のODEモデルを開発する。一般化された構成モデルを用い、3クライク（三角形）を介してクラスタリングと次数分散の両方を捉える。クラスタリングは常に流行を遅らせるが、クラスタリングと次数分散の両方を高めると最終的な流行規模が上昇する。感染期間を考慮しない場合、結合パーコレーション手法はクラスタリングネットワークでバイアスが生じる。

ABSTRACT

We investigate the effects of heterogeneous and clustered contact patterns on the timescale and final size of infectious disease epidemics. The abundance of transitive relationships (the number of 3 cliques) in a network and the variance of the degree distribution are shown to have large effects on the number ultimately infected and how quickly the epidemic propagates. The network model is based on a simple generalization of the configuration model, and epidemic dynamics are modeled with a low dimensional system of ordinary differential equations. Because of the simplicity of this model, we are able to explore a large parameter space and characterize dynamics over a wide range of network topologies. We find that the interaction between clustering and the degree distribution is complex, and that clustering always slows down an epidemic, but that simultaneously increasing clustering and variance of the degree distribution can potentially increase final epidemic size. In contrast to solutions for unclustered configuration model networks, we find that bond percolation solutions for the final epidemic size are potentially biased if they do not take variable infectious periods into account.

研究の動機と目的

• 複雑なネットワークにおけるクラスタリングと次数分布が、流行のスケールと最終的規模に与える影響を理解すること。
• クラスタリングと任意の次数分布を同時に捉えることが可能な、取り扱いやすいODEモデルの開発。
• 感染期間が変動する場合に、最終的流行規模を推定するための結合パーコレーション手法の限界を評価すること。
• 特に流行閾値周辺において、提案モデルと既存のHKモデル（例：HKモデル）を比較すること。
• クラスタリング係数だけが流行の結果を予測するのに十分かどうか、あるいはネットワーク構築の詳細が重要かどうかを明確にすること。

提案手法

• ノードが任意の数の2クライク（エッジ）と3クライク（三角形）に属することができる一般化された構成モデルを用い、ノード1つあたりの線（l本）と三角形（t個）の同時確率質量関数 $p_{l,t}$ でパrameter化する。
• ネットワークの性質（平均的な線の数 $g^{(x)}(1,1)$ や三角形の平均数 $g^{(y)}(1,1)/3$）を計算するために、確率母関数 $g(x,y) = \sum_{l,t} p_{l,t} x^l y^t$ を用いる。
• 次数とクラスタリングの同時分布に基づいた常微分方程式（ODE）系を構築し、時間経過に伴う感受性、感染、回復の割合を追跡するSIRダイナミクスを記述する。
• 2つの隣接ノードが接続されている確率を定量化する重要なパrameter $\phi = \frac{p_t G'(1)}{G''(1)}$ を導入し、最終的流行規模の予測において、3クライク総数 $N_\Delta$ よりも優れた予測力を持つことを示す。
• HKモデルや結合パーコレーション手法と比較し、クラスタリングが強くかつ次数分散が低い場合に顕著な乖離が生じることを指摘する。
• 特にクラスタリング（$p_t$）、次数分散、および流行閾値の相互作用に注目し、広いパラメータ空間においてモデルの挙動を検証する。

実験結果

リサーチクエスチョン

• RQ1 任意の次数分布を持つネットワークにおいて、クラスタリングは流行の速度と最終的規模にどのように影響するか？
• RQ2 次数分布の分散が、クラスタリングが流行ダイナミクスに与える影響をどの程度緩和または強化するか？
• RQ3 感染期間を考慮しない場合、結合パーコレーション手法がクラスタリングネットワークで最終的流行規模を誤って推定する理由は何か？
• RQ4 クラスタリング係数だけが流行の結果を予測するのに十分か、それともネットワーク構築の詳細が重要か？
• RQ5 特に閾値付近において、提案されたODEモデルはHKモデルと比較して、最終的規模と流行タイミングの両面でどの程度正確か？

主な発見

• クラスタリングは、次数分布にかかわらず、常に流行の進行を遅らせる。これは、ピーク発生時刻 $t_p$ が延長されることを意味する。
• 次数分布の分散を高めると、流行が加速し、$t_p$ が短縮される。この効果はクラスタリングの影響よりも顕著である。
• クラスタリングと次数分散の相互作用は、予想に反して最終的流行規模を増加させることがある。
• ノードの2つの隣接ノードが接続されている確率を表すパラメータ $\phi = \frac{p_t G'(1)}{G''(1)}$ は、3クライク総数 $N_\Delta$ よりも最終的流行規模の予測において優れた指標である。
• 感染期間を考慮しない場合、結合パーコレーションによる最終的流行規模の近似は、特に $p_t$ が大きい場合に、クラスタリングネットワークで顕著にバイアスが生じる。
• 次数分布が均一でクラスタリングが高い場合、提案されたODEモデルはHKモデルと顕著に異なる挙動を示し、流行ダイナミクスがクラスタリングの導入方法（単なるレベルではなく）に依存することを示唆している。