[論文レビュー] Unifying Markov Chain Approach for Disease and Rumor Spreading in Complex Networks

Guilherme Ferraz de Arruda, Francisco A. Rodrigues+3 more|arXiv (Cornell University)|Sep 2, 2016

Complex Network Analysis Techniques参考文献 3被引用数 4

ひとこと要約

本稿では、複雑ネットワークにおける感染症およびフェイクニュースの拡散を統一的にモデル化する離散時間マルコフ連鎖フレームワークを提案する。アパスィ、忘却、関心の回復といったメカニズムを組み込み、モンテカルロシミュレーションおよびヒッグス粒子のフェイクニュースに関する実世界のTwitterデータと照合することで、高い精度と計算効率を達成している。

ABSTRACT

Spreading processes are ubiquitous in natural and artificial systems. They can be studied via a plethora of models, depending on the specific details of the phenomena under study. Disease contagion and rumor spreading are among the most important of these processes due to their practical relevance. However, despite the similarities between them, current models address both spreading dynamics separately. In this paper, we propose a general information spreading model that is based on discrete time Markov chains. The model includes all the transitions that are plausible for both a disease contagion process and rumor propagation. We show that our model not only covers the traditional spreading schemes, but that it also contains some features relevant in social dynamics, such as apathy, forgetting, and lost/recovering of interest. The model is evaluated analytically to obtain the spreading thresholds and the early time dynamical behavior for the contact and reactive processes in several scenarios. Comparison with Monte Carlo simulations shows that the Markov chain formalism is highly accurate while it excels in computational efficiency. We round off our work by showing how the proposed framework can be applied to the study of spreading processes occurring on social networks.

研究の動機と目的

• 感染症とフェイクニュースの拡散プロセスの間には現象論的な類似性があるものの、それらを統一的に扱う理論的フレームワークが不足しているという問題に取り組む。
• 従来のものとは異なるメカニズム（例：アパスィ、忘却、関心の喪失／回復）を統合した1つの動的モデルを構築する。
• 複雑ネットワークにおける拡散ダイナミクスを研究するためのモンテカルロシミュレーションの代替として、計算効率の高い手法を開発する。
• 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、時間的変化および臨界閾値の正確な予測を可能にする。
• Twitterにおけるヒッグス粒子発表時の活動データなど、実社会的ネットワークデータへの適用性を示す。

提案手法

• 感染症およびフェイクニュース拡散プロセスのあらゆる妥当な状態遷移を捉える離散時間マルコフ連鎖モデルを構築する。
• 感染、回復、拡散、抑制、アパスィ、忘却、関心の回復といった状態遷移を定義する。
• 平均場近似を用いて、拡散閾値や定常状態密度といったマクロな性質の解析的表現を導出する。
• 異なるネットワークタイプおよびスケールにおいて、モンテカルロシミュレーションと広範な比較を通じてモデルを検証する。
• Twitterデータを含む実世界のネットワークにフレームワークを適用し、実証的なフェイクニュース拡散ダイナミクスを再現する。
• 微分方程式系を数値的に解き、パラメータを変化させた場合の時間的変化および臨界的挙動を予測する。

実験結果

リサーチクエスチョン

• RQ1 1つのマルコフ連鎖フレームワークが、非伝統的な行動的メカニズムを組み込んだまま、感染症とフェイクニュースの拡散を統一的にモデル化できるか？
• RQ2 アパスィ、忘却、関心の回復といったパラメータが、複雑ネットワークにおける拡散閾値およびダイナミクスにどのように影響を与えるか？
• RQ3 マルコフ連鎖アプローチは、精度および計算効率の観点でモンテカルロシミュレーションとどの程度一致するか？
• RQ4 本モデルは、ヒッグス粒子の発表時にTwitterで観察されたフェイクニュース拡散パターンを正確に再現できるか？
• RQ5 本統一フレームワークを用いることで、実際の伝染プロセスにおける異なるメカニズムの相対的な重要性についてどのような知見が得られるか？

主な発見

• 提案されたマルコフ連鎖モデルは、複雑ネットワークにおける接触プロセスおよび反応プロセスのダイナミクスを正確に再現しており、モンテカルロシミュレーションと非常に近い結果を示している。
• 本モデルは、SIR、SIS、および抑制者を含む古典的なフェイクニュース拡散モデルを含む、従来の感染症およびフェイクニュース拡散モデルを効果的に捉え、一般化している。
• 接触プロセスおよび反応プロセスの特殊ケースについて、拡散閾値および定常状態密度の解析的表現が導出された。
• 本フレームワークにより、実際の伝染プロセスにおける支配的メカニズムを、実データ（例：Twitterにおけるヒッグス粒子のフェイクニュース）にモデルパラメータをフィッティングすることで特定可能となった。
• モンテカルロシミュレーションに比べ、マルコフ連鎖方程式を解く計算コストは顕著に低く抑えられており、大規模なオンラインソーシャルネットワークに適している。
• 本モデルは、忘却やアパスィといったメカニズムが、実際のネットワークにおける拡散プロセスの時間的変化および最終的規模を決定づける上で極めて重要な役割を果たしていることを明らかにした。