[论文解读] Roles of Ties in Spreading

Ai-Xiang Cui, Zimo Yang+1 more|arXiv (Cornell University)|Mar 31, 2012

Complex Network Analysis Techniques参考文献 36被引用 5

一句话总结

本文提出了一种加权易感-感染-易感（SIS）模型，通过基于局部拓扑调节边强度，量化了强连接与弱连接在网络传播动力学中所起的独立作用。结果表明，偏好强连接可最大化稳态感染密度，而偏好弱连接则能加速传播速度，揭示了它们在网络化过程中的定性不同的功能角色。

ABSTRACT

Background: Controlling global epidemics in the real world and accelerating information propagation in the artificial world are of great significance, which have activated an upsurge in the studies on networked spreading dynamics. Lots of efforts have been made to understand the impacts of macroscopic statistics (e.g., degree distribution and average distance) and mesoscopic structures (e.g., communities and rich clubs) on spreading processes while the microscopic elements are less concerned. In particular, roles of ties are not yet clear to the academic community. Methodology/Principle Findings: Every edges is stamped by its strength that is defined solely based on the local topology. According to a weighted susceptible-infected-susceptible model, the steady-state infected density and spreading speed are respectively optimized by adjusting the relationship between edge's strength and spreading ability. Experiments on six real networks show that the infected density is increased when strong ties are favored in the spreading, while the speed is enhanced when weak ties are favored. Significance of these findings is further demonstrated by comparing with a null model. Conclusions/Significance: Experimental results indicate that strong and weak ties play distinguishable roles in spreading dynamics: the former enlarge the infected density while the latter fasten the process. The proposed method provides a quantitative way to reveal the qualitatively different roles of ties, which could find applications in analyzing many networked dynamical processes with multiple performance indices, such as synchronizability and converging time in synchronization and throughput and delivering time in transportation.

研究动机与目标

• 探究强连接与弱连接在网络化传播过程中的功能角色，超越宏观与介观网络特征。
• 解决微观连接强度如何影响传播动力学的定量理解不足的问题。
• 开发一种将边强度与局部拓扑关联的模型，以模拟和分析强连接与弱连接的不同作用。
• 证明优化感染密度与传播速度需要相反的连接强度偏好，凸显网络性能中的权衡。

提出的方法

• 使用基于共同邻居的相似性指数量化边强度，该指数源自局部拓扑，确保其反映结构凝聚力。
• 采用加权SIS模型，其中感染传播概率通过可调指数 $ b $ 依赖于边强度，公式为 $ p_{ij} = \frac{s_{ij}^b}{\sum_{l \in \Gamma_i} s_{il}^b} $。
• 在六个真实网络上模拟传播动力学，初始条件固定：20个随机感染节点，$ \alpha = 0.4 $，$ \beta = 0.1 $。
• 分析两种性能指标：稳态感染密度 $ \rho = I(\infty)/N $ 和 $ \Delta I(t) $ 的指数衰减率 $ \lambda $，后者代表传播速度。
• 构建一个零模型，通过随机化边强度以破坏结构与权重之间的相关性，从而与真实网络进行对比。
• 系统评估参数 $ b $ 对 $ \rho(b) $ 和 $ \lambda(b) $ 的影响，以识别最优连接强度偏好。

实验结果

研究问题

• RQ1 强连接与弱连接在网络传播过程中在加速或放大传播方面，其作用在数量上如何不同？
• RQ2 优化高感染流行程度是否需要与优化快速传播速度相同的连接强度偏好？
• RQ3 真实网络结构——超越随机权重分布——在多大程度上能实现非零的 $ b $ 最优值以最大化传播性能？
• RQ4 基于局部拓扑的边强度度量是否能有效揭示连接在传播动力学中的不同功能角色？
• RQ5 网络拓扑与边权重之间的结构相关性如何影响传播性能的最优配置？

主要发现

• 在所有六个真实网络中，最大化稳态感染密度 $ \rho $ 的最优 $ b $ 值大于零，表明强连接增强了感染流行程度。
• 在所有六个网络中，最大化传播速度（通过 $ \lambda $ 衡量）的最优 $ b $ 值小于零，表明弱连接加速了传播过程。
• 当 $ \rho(b) $ 达到峰值时，$ b $ 为正值，表明偏好强连接可提高长期感染节点的比例。
• 当 $ \lambda(b) $ 达到峰值时，$ b $ 为负值，表明偏好弱连接可加快收敛至稳态的速度。
• 在边强度与拓扑无关的随机零模型中，所有 $ \rho(b) $ 和 $ \lambda(b) $ 的峰值均移至 $ b = 0 $，证实真实网络结构使非平凡优化成为可能。
• 结果表明存在根本性权衡：强连接在传播规模上最大化感染程度，而弱连接在传播速度上最大化，表明优化目标存在冲突。