[论文解读] Universality of the SIS prevalence in networks

Piet Van Mieghem|arXiv (Cornell University)|Dec 5, 2016

Opinion Dynamics and Social Influence参考文献 22被引用 5

一句话总结

本文提出了一种适用于网络上易感-感染-易感（SIS）流行病模型的普遍解析曲线，通过网络邻接矩阵的谱分解推导得出。该方法在多种网络拓扑结构和感染动力学（包括异质感染率、时变网络和自感染）下对时变流行率进行边界限定，其精度与平均场近似相当，同时揭示了由感染率矩阵最大特征值决定的相变阈值。

ABSTRACT

Epidemic models are increasingly used in real-world networks to understand diffusion phenomena (such as the spread of diseases, emotions, innovations, failures) or the transport of information (such as news, memes in social on-line networks). A new analysis of the prevalence, the expected number of infected nodes in a network, is presented and physically interpreted. The analysis method is based on spectral decomposition and leads to a universal, analytic curve, that can bound the time-varying prevalence in any finite time interval. Moreover, that universal curve also applies to various types of Susceptible-Infected-Susceptible (SIS) (and Susceptible-Infected-Removed (SIR)) infection processes, with both homogenous and heterogeneous infection characteristics (curing and infection rates), in temporal and even disconnected graphs and in SIS processes with and without self-infections. The accuracy of the universal curve is comparable to that of well-established mean-field approximations.

研究动机与目标

• 提出一种适用于任意有限网络的普遍、解析曲线，以界定SIS流行病的时变流行率。
• 统一分析具有异质感染率和治愈率、断开图以及时变网络的SIS与SIR过程。
• 提供一种具有物理解释的、基于谱的近似方法，捕捉流行率动态，而无需依赖平均场假设。
• 证明即使存在自感染，流行率行为仍由有效感染率矩阵的最大特征值普遍决定。

提出的方法

• 使用加权邻接矩阵 $\widetilde{A}$ 的谱分解，其中 $\widetilde{a}_{ij} = \beta_{ij}a_{ij}$，分析无向、无权网络上的SIS过程。
• 通过马尔可夫SIS动力学和期望算子的线性化，推导出期望流行率 $y(t) = \mathbb{E}[S(t)]$ 的微分方程。
• 应用时间极值分析，通过涉及谱校正 $R_k$ 和余项 $\Psi_k$ 的二次方程求解，推导出流行率的边界。
• 引入参数 $\varepsilon^*$ 以建模自感染，表明吸收态仅在 $\varepsilon^* \to 0$ 极限下存在，而该情况在 $\varepsilon^* > 0$ 时被避免。
• 证明当存在自感染时，有效感染率 $\tau$ 必须超过阈值 $\tau(\varepsilon^*) > \tau(0)$ 才能维持地方性流行状态。
• 利用约化邻接矩阵的最大特征值 $\mu_{N-k}$ 定义SIS模型相变的临界阈值。

实验结果

研究问题

• RQ1 是否存在一条单一的、普遍的解析曲线，能够描述所有网络类型和感染动力学下SIS流行病的时变流行率？
• RQ2 当 $\varepsilon^* > 0$ 时，自感染的引入如何影响吸收态的存在性以及地方性流行的临界阈值？
• RQ3 感染率矩阵的谱半径在异质SIS模型中在多大程度上决定了流行率行为？
• RQ4 为何 $\varepsilon^* \to 0$ 极限会导致吸收态，以及这如何影响有限网络中的稳态流行率？

主要发现

• 时极值流行率 $y_\pm(p;\tau,\varepsilon^*)$ 作为涉及谱校正 $R_k$ 和余项 $\Psi_k$ 的二次方程的解被推导出，为实际流行率提供了边界。
• 当 $\varepsilon^* > 0$ 时，维持地方性流行状态所需的有效感染率 $\tau(\varepsilon^*)$ 严格大于 $\tau(0)$，这是由于吸收态的缺失所致。
• 在 $\varepsilon$-SIS 模型中，稳态流行率对应于正根 $y_+(p;\tau,\varepsilon^*)$，该根在马尔可夫链理论下唯一且稳定。
• 在 $\varepsilon^* \to 0$ 极限下，时极值流行率收敛至由双曲正切公式描述的亚稳态，与既有的平均场结果一致。
• 判别式条件 $\left(\tau\mu_{N-k} - (1+\varepsilon^*)\right)^2 - 4\tau\mu_{N-k}\Psi_k \geq 0$ 定义了实数解的范围，从而确定了流行率边界的合法时间区间。
• 该方法在精度上可与成熟的平均场近似相媲美，同时提供了严谨的谱基础和通过网络特征值实现的物理解释。