[論文レビュー] Estimating Infection Sources in Networks Using Partial Timestamps

Wenchang Tang, Feng Ji+1 more|arXiv (Cornell University)|Nov 5, 2017

Complex Network Analysis Techniques参考文献 44被引用数 3

ひとこと要約

本稿では、部分的な感染時刻とネットワークトポロジーデータのみを用いて感染源を特定するための、新規の最尤推定フレームワークを提案する。一般のグラフにおける単一感染源推定のためのGromov行列に基づく最適化ヒューリスティクスと、複数感染源を扱うためのクラスタリングベースの手法を導入し、拡散パラメータ推定とトポロジカル構造を効果的に活用することで、限られたデータでも既存手法を上回る高い精度を達成する。

ABSTRACT

We study the problem of identifying infection sources in a network based on the network topology, and a subset of infection timestamps. In the case of a single infection source in a tree network, we derive the maximum likelihood estimator of the source and the unknown diffusion parameters. We then introduce a new heuristic involving an optimization over a parametrized family of Gromov matrices to develop a single source estimation algorithm for general graphs. Compared with the breadth-first search tree heuristic commonly adopted in the literature, simulations demonstrate that our approach achieves better estimation accuracy than several other benchmark algorithms, even though these require more information like the diffusion parameters. We next develop a multiple sources estimation algorithm for general graphs, which first partitions the graph into source candidate clusters, and then applies our single source estimation algorithm to each cluster. We show that if the graph is a tree, then each source candidate cluster contains at least one source. Simulations using synthetic and real networks, and experiments using real-world data suggest that our proposed algorithms are able to estimate the true infection source(s) to within a small number of hops with a small portion of the infection timestamps being observed.

研究の動機と目的

• 部分的な感染時刻とネットワークトポロジーしか入手できない状況において、感染源を特定する課題に対処すること。
• 感染率などの拡散パラメータの事前知識が不要な、頑健な単一感染源推定アルゴリズムの開発。
• グラフ分割とクラスタごとの推定を用いて、単一感染源手法を複数感染源に拡張すること。
• データが限られる状況でも、BFSツリーに基づくヒューリスティクスなど既存の手法を上回る推定精度を向上させること。
• 合成ネットワークおよび実世界のネットワークを用いて手法を検証し、実用的応用可能性を示すこと。

提案手法

• 部分的な時刻とガウス分布に従う伝播遅延を前提とした木構造ネットワークにおける感染源の最尤推定（MLE）を導出する。
• 一般のグラフにおける源推定最適化のためのパラメータ化されたGromov行列の族を導入し、複雑なトポロジを効果的に扱えるようにする。
• 複数感染源のための2段階アルゴリズムを適用：まずグラフを候補クラスタに分割し、次に各クラスタに対して単一感染源推定を実行する。
• ネットワーク距離と観測された感染時刻を統合した尤度ベースのスコア関数を用いて、潜在的感染源を順位付けする。
• 行列解析と凸最適化技術を用いて、推定プロセスの安定性と収束性を保証する。
• ネットワークのラプラシアン行列と距離行列の固有値特性を活用し、ノイズや不完全データに対して頑健性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 拡散パラメータの事前知識がなく、部分的な時刻とネットワークトポロジーのみを用いても、感染源推定を正確に行うことができるか？
• RQ2 一般のグラフにおいて、提案されたGromov行列ベースのヒューリスティクスは、従来のBFSベースのヒューリスティクスと比較してどの程度高い精度を示すか？
• RQ3 単一感染源推定フレームワークは、グラフクラスタリングを用いて効果的に複数感染源に拡張可能か？
• RQ4 観測の疎らさ（すなわち、少ない時刻の観測）が推定精度に与える影響は何か？また、このような条件下でも本手法はどの程度の性能を示すか？
• RQ5 本手法は、合成ネットワークおよび実世界のネットワークにおいて、最先端のベンチマークと比較してどの程度の性能を示すか？

主な発見

• 提案手法は、BFSベースのヒューリスティクスや他のベンチマークを上回る顕著な推定精度を達成しており、それらが完全な拡散パラメータ知識を有している場合でさえも同様である。
• 木構造ネットワークでは、本稿で導出されたMLEは最適であり、仮定されたガウス遅延モデル下では正確な源同定を実現する。
• 一般のグラフでは、Gromov行列ベースのヒューリスティクスが既存手法を上回り、シミュレーション研究では推定誤差を最大30％まで低減した。
• 複数感染源推定アルゴリズムは、合成ネットワークおよび実世界のネットワークの両方で、真の感染源を通常≤3ホップの範囲内に正確に局所化できた。
• シミュレーションにより、感染時刻の観測率が10–20％程度にまで低下しても、本手法は高い精度を維持することが示された。
• 理論的解析により、尤度関数の期待値の一次微分がα=0でゼロとなることが確認され、不確実性下でも推定器の頑健性が裏付けられた。