[論文レビュー] Understanding the spreading power of all nodes in a network: a continuous-time perspective

Glenn Lawyer|arXiv (Cornell University)|May 26, 2014

Complex Network Analysis Techniques参考文献 4被引用数 76

ひとこと要約

本稿では、エピデミックの初期段階においてノードが生成する予想感染力（Expected Force, ExF）を連続時間的指標として導入し、ネットワーク内でのノードの広がりの力を定量化する。ExFは、伝播力が高まるにつれて影響力が周辺ノードの次数から自身の次数へシフトする様子を捉えることができ、特に密度が高く細長いネットワークにおいて、従来の中心性指標を上回る性能を示す。

ABSTRACT

Centrality measures such as the degree, k-shell, or eigenvalue centrality can identify a network's most influential nodes, but are rarely usefully accurate in quantifying the spreading power of the vast majority of nodes which are not highly influential. The spreading power of all network nodes is better explained by considering, from a continuous-time epidemiological perspective, the distribution of the force of infection each node generates. The resulting metric, the extit{expected force}, accurately quantifies node spreading power under all primary epidemiological models across a wide range of archetypical human contact networks. When node power is low, influence is a function of neighbor degree. As power increases, a node's own degree becomes more important. The strength of this relationship is modulated by network structure, being more pronounced in narrow, dense networks typical of social networking and weakening in broader, looser association networks such as the Internet. The expected force can be computed independently for individual nodes, making it applicable for networks whose adjacency matrix is dynamic, not well specified, or overwhelmingly large.

研究の動機と目的

• ネットワーク内におけるノードの伝播力を理論的に裏付けられた方法で定量化する手法の不足に対処すること。
• 静的な中心性順位を越えたノードの動的影響を捉える指標を開発すること。
• 連続時間的疫学的視点から、特に初期伝播ダイナミクスに注目して伝播力をモデル化すること。
• ネットワーク構造が、ノード自身の次数とその周辺ノードの次数のバランスをどのように調節するかを特定すること。
• 大規模で動的、または仕様が不明瞭なネットワークに適用可能なスケーラブルでノードに依存しない指標を作成すること。

提案手法

• 伝播力の連続時間的測定として、小さな伝播イベント数後に生成される感染済み－感受性エッジ数の期待値に基づく、期待される力（ExF）を提案する。
• 疫学における感染力（Force of Infection, FoI）の概念を用い、FoIは感染済み－感受性エッジ数に比例するとする。
• 初期段階のエピデミックダイナミクスを、感受性－感染（SI）モデルでシミュレートし、時間ステップごとのFoIの分布に注目してExFを計算する。
• 伝播レートβを確率r = −log(1−β)への確率的変換を用いて、連続時間の伝播イベントをモデル化する。
• 少なくとも80％のノードが臨界範囲[0.05, 0.95]内でエピデミック潜在力（EPo）を持つように、伝播／回復確率βをバイナリサーチでキャリブレーションする。
• Pareto（スケールフリーネットワーク）、アマゾン共同購入、インターネットハイパーリンク、ArXiv天体物理学、Facebookウォール投稿の5つのネットワークファミリーを対象とし、連続時間および離散時間シミュレーションを用いてExFを検証する。

実験結果

リサーチクエスチョン

• RQ1 ノードの伝播力は、自身の次数とその周辺ノードの次数のどちらに依存するか？
• RQ2 特に密度と径路長が、自身の次数と周辺ノードの次数の影響のバランスにどの程度影響を与えるか？
• RQ3 初期エピデミックダイナミクスの連続時間的モデルは、離散時間的モデルやウォークカウント中心性指標に比べ、ノードの伝播力をより正確に予測できるか？
• RQ4 ExFは、エピデミックの結果を予測するうえで、アクセシビリティ、kシェル、固有値中心性と比較して、どのような性能を示すか？
• RQ5 ノードの伝播力が高まるにつれて、その影響力が周辺依存から自己依存へとどのようにシフトするか？

主な発見

• ExFは、SI、SIS、SIRモデルのあらゆる状況において、アクセシビリティ、kシェル、固有値中心性を著しく上回り、エピデミックの結果を予測する性能に優れる。
• 低伝播力ノードでは、影響力は主に周辺ノードの次数に依存するが、影響力が高まるにつれて、自身の次数がより重要になる。
• 密度が高く、径路が短いネットワーク（例：ソーシャルネットワーク、Facebook、ArXiv天体物理学）では、周辺次数から自身の次数への支配的シフトが顕著であり、逆に広がりが大きく疎なネットワーク（インターネット、アマゾン共同購入ネットワーク）では弱い。
• 密度の高いネットワークでは、三角形数の増加が、自身の次数の影響力を強化する。
• 連続時間のシミュレーションは、特に伝播レートが高いスケールフリー・ネットワークにおいて、離散時間シミュレーションよりも正確でばらつきが少ないエピデミック結果の予測を提供する。
• ExF指標は、ノードごとに独立して計算可能であり、行列指数の全計算を必要としないため、大規模ネットワークに対しても計算が可能であり、動的または巨大なネットワークへの応用が可能である。