[论文解读] Bootstrap percolation on geometric inhomogeneous random graphs

Christoph Koch, Johannes Lengler|arXiv (Cornell University)|Feb 18, 2016

Complex Network Analysis Techniques参考文献 42被引用 19

一句话总结

本文研究几何异质随机图（GIRGs）上的Bootstrap渗滤，该模型用于具有底层几何结构的无标度网络。研究建立了局部感染传播的亚稳态阈值，确定了感染速度及顶点感染时间的低阶项，展示了通过有针对性地移除边可实现疫情控制，凸显了几何结构在复杂网络流行病动力学中的关键作用。

ABSTRACT

Geometric inhomogeneous random graphs (GIRGs) are a model for scale-free networks with underlying geometry. We study bootstrap percolation on these graphs, which is a process modelling the spread of an infection of vertices starting within a (small) local region. We show that the process exhibits a phase transition in terms of the initial infection rate in this region. We determine the speed of the process in the supercritical case, up to lower order terms, and show that its evolution is fundamentally influenced by the underlying geometry. For vertices with given position and expected degree, we determine the infection time up to lower order terms. Finally, we show how this knowledge can be used to contain the infection locally by removing relatively few edges from the graph. This is the first time that the role of geometry on bootstrap percolation is analysed mathematically for geometric scale-free networks.

研究动机与目标

• 理解底层几何结构如何影响无标度网络中感染的传播，特别是局部Bootstrap渗滤过程。
• 确定初始感染率的临界阈值ρc，该阈值用于区分传播过程的亚临界与超临界阶段。
• 量化超临界状态下感染传播的速度，以及基于位置和期望度数的单个顶点感染时间。
• 通过利用几何与度数结构，建立局部感染控制的理论框架，实现有针对性的边移除。
• 首次对几何结构在几何无标度网络中Bootstrap渗滤的影响进行严格的数学分析。

提出的方法

• 将网络建模为具有幂律度分布和空间嵌入的几何异质随机图（GIRG），其中边的概率取决于顶点权重与几何距离。
• 采用多尺度分析方法，对底层几何空间（环面T^d）进行二进制分解，通过逐步增大半径的球体划分空间，以追踪跨尺度的感染传播。
• 采用递归感染过程：若顶点至少有k个已感染邻居，则其自身被感染，感染过程以离散轮次推进。
• 运用概率集中不等式（马尔可夫不等式与切尔诺夫不等式）分析各尺度与轮次中感染顶点的期望数量。
• 引入基于权重的顶点分类方法（如高权重枢纽节点），并使用阈值论证识别感染快速传播的区域。
• 通过分析顶点度数、几何邻近性与图的k核结构之间的相互作用，推导出感染时间与最终感染集合大小的渐近界。

实验结果

研究问题

• RQ1 在GIRGs上，局部Bootstrap渗滤的亚稳态阈值ρc是什么？其如何依赖于网络的几何与度数结构？
• RQ2 在超临界状态下，感染传播速度如何？单个顶点的感染时间由什么因素决定？
• RQ3 网络的底层几何结构在多大程度上影响感染的动力学过程与最终感染规模？
• RQ4 是否可通过有针对性的边移除实现局部感染控制？何种条件使此类策略有效？
• RQ5 GIRGs上Bootstrap渗滤的行为与经典模型（如Erdős-Rényi或 preferential attachment）有何不同，特别是在几何影响方面？

主要发现

• 存在一个尖锐的亚稳态阈值ρc：当ρ ≫ ρc时，以高概率（whp）网络中线性比例的节点被感染；而当ρ ≪ ρc时，感染过程立即停止。
• 在超临界状态下，感染传播速度随时间呈渐近线性，单个顶点的感染时间由其几何位置与期望度数决定。
• 期望度数较高且靠近初始感染区域的顶点会更早被感染，其感染时间可被低阶项所界定。
• 该过程本质上由几何结构决定：感染沿高阶枢纽节点及密集连接的几何簇传播得更快。
• 通过在源区域每顶点移除O(1)条边，可实现局部隔离策略，以高概率有效控制感染。
• 分析证实，几何结构在决定无标度网络中Bootstrap渗滤结果方面起决定性作用，而这一现象在经典随机图模型中并不存在。