[논문 리뷰] Generalized group-based epidemic model for spreading processes on networks: GgroupEM

Sifat Afroj Moon, Faryad Darabi Sahneh외 1명|arXiv (Cornell University)|2019. 08. 16.

Complex Network Analysis Techniques참고 문헌 13인용 수 4

한 줄 요약

이 논문은 복잡한 네트워크에서의 분할 전파 과정을 위한 일반화된 군집 기반 전염병 모델 프레임워크인 GgroupEM을 소개한다. 이는 노드 군집화를 통한 상태공간 축소를 통해 효율적인 시뮬레이션을 가능하게 한다. 연속 시간 마르코프 과정과 평균장 근사법을 활용함으로써 GgroupEM은 경계가 있는 집합 오차를 유지하면서도 높은 계산 속도 향상을 달성하며, 다층 네트워크와 SIS, SIR 등의 다양한 전염병 모델을 지원한다.

ABSTRACT

We develop a generalized group-based epidemic model (GgroupEM) framework for any compartmental epidemic model (for example; susceptible-infected-susceptible, susceptible-infected-recovered, susceptible-exposed-infected-recovered). Here, a group consists of a collection of individual nodes. This model can be used to understand the important dynamic characteristics of a stochastic epidemic spreading over very large complex networks, being informative about the state of groups. Aggregating nodes by groups, the state space becomes smaller than the individual-based approach at the cost of aggregation error, which is strongly bounded by the isoperimetric inequality. We also develop a mean-field approximation of this framework to further reduce the state-space size. Finally, we extend the GgroupEM to multilayer networks. Since the group-based framework is computationally less expensive and faster than an individual-based framework, then this framework is useful when the simulation time is important.

연구 동기 및 목표

• 소규모 축축, 사회적 또는 통신 시스템과 같은 매우 큰 네트워크에서 개별 기반 전염병 모델링의 계산 비용 문제를 해결한다.
• 노드를 군집화하여 상태공간 복잡도를 감소시키되 정확도를 유지한다. 이는 등고선 부등식을 통해 집합 오차를 이론적으로 제한하는 프레임워크를 사용한다.
• 기존의 군집 기반 모델을 일반화하여 SIS, SIR, SEIR와 같은 임의의 분할 전염병 모델을 지원함으로써 유연성과 적용 가능성을 높인다.
• 동적 특성을 유지하면서 계산 비용을 추가로 줄이기 위해 평균장 근사를 개발한다.
• 실제 시스템의 상호의존성 또는 중첩된 네트워크 구조를 모델링하기 위해 다층 네트워크로 프레임워크를 확장한다.

제안 방법

• 각 군집이 복수의 노드를 포함하고 각 노드의 상태를 복합적으로 집계한 상태를 갖는 군집 기반 동역학을 위한 연속 시간 마르코프 과정을 수립한다.
• 노드 및 간선 간의 복합체 간 전이를 모델링하기 위해 전이 지시 행렬 ($\Delta_{\delta}, \Delta_{\beta}$)과 상태 전이 지시자 ($\mathcal{V}_{i,m}$)를 정의한다.
• 군집 수준의 동역학과 네트워크 구조를 결합하기 위해 텐서 연산 ($\circ$)을 사용하여 전역 전이 속도 행렬 $\Theta$를 구성한다.
• 군집 상태 간의 통계적 독립성을 가정함으로써 상태공간 크기를 줄이는 평균장 근사를 적용하여 더 빠른 시뮬레이션을 가능하게 한다.
• 층간 및 층내 상호작용을 계층적 인접 행렬 $\mathcal{A}_g$를 통해 모델링함으로써 다층 네트워크로 프레임워크를 확장한다.
• 군집화로 인한 집합 오차를 이론적으로 제한하기 위해 등고선 부등식을 사용하여 모델 신뢰성을 확보한다.

실험 결과

연구 질문

• RQ1 어떻게 군집 기반 프레임워크를 SIS, SIR, SEIR와 같은 임의의 분할 전염병 모델을 지원하도록 일반화할 수 있는가?
• RQ2 노드를 군집화할 때 계산 효율성과 정확성 사이의 상호 교환 관계는 무엇이며, 오차는 어떻게 이론적으로 제한할 수 있는가?
• RQ3 평균장 근사는 원래의 개별 기반 모델의 동적 행동을 유지하면서 시뮬레이션 시간을 얼마나 줄이는가?
• RQ4 군집 기반 프레임워크는 상호의존성 또는 중첩된 네트워크를 가진 다층 네트워크에서 전파 과정을 어떻게 모델링할 수 있는가?
• RQ5 어떤 상황에서 군집 기반 접근법이 예측 정밀도에 큰 손실 없이 속도와 확장성 측면에서 개별 기반 모델을 능가하는가?

주요 결과

• GgroupEM 프레임워크는 개별 기반 모델에 비해 상태공간 크기를 크게 줄여 대규모 네트워크에서의 빠른 시뮬레이션을 가능하게 한다.
• 군집화로 인한 집합 오차는 등고선 부등식에 의해 강하게 제한되어 있어 모델의 이론적 신뢰성을 보장한다.
• 그룹 수가 2개이고 $\mathcal{N}_1=3$, $\mathcal{N}_2=3$인 시스템에서 군집 기반 모델은 각각 3개와 4개의 고유 상태를 포착함으로써 상태공간 성장이 관리 가능함을 보여준다.
• 평균장 근사를 통해 군집 상태 간의 통계적 독립성을 가정함으로써 계산 복잡도가 추가로 감소하여 확장 가능한 시뮬레이션을 가능하게 한다.
• 층간 및 층내 전이를 계층적 인접 행렬을 통해 모델링함으로써 다층 네트워크로의 확장에 성공적으로 적용하였다.
• SIS 과정에 대해 유도된 $\Theta_{\delta_1}$ 및 $\Theta_{\beta_1}$ 행렬은 군집 수준의 전이 동역학이 군집 상태와 네트워크 구조에 대한 행렬 연산을 통해 어떻게 표현되는지 보여준다.