[論文レビュー] Temporal network sparsity and the slowing down of spreading

Juan I. Perotti, Hang-Hyun Jo+2 more|arXiv (Cornell University)|Nov 20, 2014

Complex Network Analysis Techniques被引用数 8

ひとこと要約

本稿は、平均相互作用時間分布によって定義される時間的スパarsity—が、時間的ネットワーク上での感受性・感染性（SI）伝搬ダイナミクスを遅くすることを示している。実データと単純なバーストモデルを用いて、時間的スパarsity（$μ^H$で測定）と伝搬遅延の間には線形関係があることが示され、これは時間的最短経路に従うすべての動的プロセスに一般化される。これは、スパースな時間的経路における遅延が増加するためである。

ABSTRACT

Interactions in time-varying complex systems are often very heterogeneous at the topological level (who interacts with whom) and at the temporal level (when interactions occur and how often). While it is known that temporal heterogeneities often have strong effects on dynamical processes, e.g. the burstiness of contact sequences is associated with slower spreading dynamics, the picture is far from complete. In this paper, we show that temporal heterogeneities result in temporal sparsity} at the time scale of average inter-event times, and that temporal sparsity determines the amount of slowdown of Susceptible-Infectious (SI) spreading dynamics on temporal networks. This result is based on the analysis of several empirical temporal network data sets. An approximate solution for a simple network model confirms the association between temporal sparsity and slowdown of SI spreading dynamics. Since deterministic SI spreading always follows the fastest temporal paths, our results generalize -- paths are slower to traverse because of temporal sparsity, and therefore all dynamical processes are slower as well.

研究の動機と目的

• 実験的ネットワークにおける時間的非一様性が伝搬ダイナミクスに与える影響を理解すること。
• 伝搬プロセスを遅くする主な時間的ネットワーク的性質を同定すること。
• 時間的スパarsityとSIダイナミクスの遅延との間の定量的関係を確立すること。
• 単純な確率的モデルと解析的近似を用いて、その結果を検証すること。
• 結果を、時間的最短経路に従うすべての動的プロセスに一般化すること。

提案手法

• 平均相互作用時間$τ$と有効活動レベル$μ^H = \Delta / T$を用いて時間的スパarsityを定義する。ここで$\Delta$は時間窓、$T$は観測期間である。
• スパイラル要因$\eta$を、実際のネットワーク上の伝搬時間と、同じリンク集合を持つ時間的に一様な基準ネットワーク上の伝搬時間の比として測定する。
• 各リンクが1つのバーストイベントを持つ単一バースト（SB）モデルを用いる。相互作用間隔は指数分布から抽出される。
• SBモデルにおける$\eta$の近似解析的表現を導出する：$\eta \simeq \left[1 + \frac{w-1}{2}(1 - \mu^H)^2\right]^{-1}$。ここで$w$はバーストあたりの平均イベント数である。
• 実際のネットワークから$w$と$\mu^H$を推定し、$\eta_{\text{model}}$を計算することで、モデル予測と実データを比較する。
• $k$-正則グラフ上で数値シミュレーションを実施し、$k_{\text{eff}}^H$を変化させた状態でモデルを検証する。

実験結果

リサーチクエスチョン

• RQ1 時間的スパarsity—平均相互作用時間分布によって測定される—は、時間的ネットワーク上でのSI伝搬速度にどのように影響するか？
• RQ2 多様な実験的ネットワークにおいて、時間的スパarsity（$\mu^H$）と伝搬遅延（$\eta$）との間に普遍的な関係が存在するか？
• RQ3 単一バーストイベントを有する単純な確率的モデルは、実験的ネットワークで観測された遅延を再現できるか？
• RQ4 遅延効果はSIダイナミクスを越えて、時間的最短経路に従う他のプロセスにも一般化されるか？
• RQ5 有効ネットワーク次数（$k_{\text{eff}}^H$）は、解析的近似の妥当性を決定づける役割を果たすか？

主な発見

• 時間的スパarsity、$\mu^H = \Delta / T$で測定されるもの—が、実験的時間的ネットワーク上でのSI伝搬ダイナミクスを遅くする主要因である。
• 電子メール、ソーシャルメディア、近接データを含む多様な実験的ネットワークにおいて、$\eta$（遅延）と$\mu^H$の間には線形関係が観察された。
• パラメータ$w = E/M$と$\mu^H$を有する単純な単一バースト（SB）モデルは、実験的ネットワークの$\eta$を正確に予測でき、時間的スパarsityの役割を裏付けた。
• 解析的表現$\eta \simeq \left[1 + \frac{w-1}{2}(1 - \mu^H)^2\right]^{-1}$は、遅延のトレンドを捉えており、特に$k_{\text{eff}}^H \lesssim 1$のとき顕著である。
• 遅延効果は、時間的最短経路に従うすべての動的プロセスに一般化され、これはスパースな時間的経路における遅延が増加するためである。
• 数値シミュレーションにより、$k_{\text{eff}}^H \lesssim 1$のとき、近似が最もよく成立することが確認された。このとき、各リンクの待機時間は$\tau_R$のオーダーである。