[论文解读] Analysis and Control of Epidemics: A survey of spreading processes on complex networks

Cameron Nowzari, Víctor M. Preciado+1 more|arXiv (Cornell University)|May 4, 2015

Complex Network Analysis Techniques参考文献 155被引用 62

一句话总结

本文综述了复杂网络上的确定性和随机流行病模型，重点研究基于平均场近似和马尔可夫过程的SIR、SIS及多疾病动力学。文章提出了缓解疫情爆发的控制策略，并指出了网络流行病控制中的开放性问题，其应用范围不仅限于疾病传播，还扩展至信息传播和恶意软件传播。

ABSTRACT

This article reviews and presents various solved and open problems in the development, analysis, and control of epidemic models. We are interested in presenting a relatively concise report for new engineers looking to enter the field of spreading processes on complex networks.

研究动机与目标

• 为控制与优化研究者提供一种面向复杂网络上传播过程建模与控制的教程式介绍。
• 识别并突出控制理论与优化工具可解决的流行病控制中的开放性问题。
• 将经典的流行病模型（SIR、SIS）扩展至具有异质参数和时变结构的网络化与多疾病场景。
• 展示这些模型在流行病学之外的广泛应用，包括社交网络、网络安全和产品采纳。
• 通过分析现有模型的局限性并提出网络流行病控制未来改进方向，为后续研究奠定基础。

提出的方法

• 使用平均场确定性近似，通过常微分方程建模各状态（S、I、R）节点比例随时间的变化。
• 应用连续时间马尔可夫过程，对个体在各状态间随机转移进行建模，考虑感染率与恢复率。
• 引入多疾病模型，如$SI_1SI_2S$模型，其中节点可被两种竞争性疾病感染，且具有独立的传播与恢复速率。
• 采用邻接矩阵$A$表示网络拓扑结构，感染率取决于感染邻居数量，形式为$\beta_i^1 Y_i^1$与$\beta_i^2 Y_i^2$。
• 分析时变网络模型，承认其复杂性且当前研究有限，引用近期关于动态网络结构的研究成果。
• 在部分模型中引入博弈论视角，研究传播过程中策略性行为，尤其在控制与优化背景下的应用。

实验结果

研究问题

• RQ1 经典流行病模型（SIR、SIS）如何被推广至网络化、异质性及动态环境中？
• RQ2 在具有不同节点特性的复杂网络中，哪些控制策略能有效减少或遏制流行病传播？
• RQ3 在共享网络中，竞争性感染如何相互作用？何种条件导致共存或排斥？
• RQ4 在流行病动力学中，建模时变接触网络的关键挑战是什么？
• RQ5 控制与优化理论在改善现实世界流行病干预策略方面有哪些应用方式？

主要发现

• 确定性$SI_1SI_2S$模型由一组常微分方程描述，易感者比例$p_i^S$因任一疾病感染而减少，同时因从任一感染状态恢复而增加。
• 每种疾病的感染动力学由$\dot{p}_i^{I_1} = p_i^S \sum_j a_{ij} \beta_i^1 p_j^{I_1} - \delta_i^1 p_i^{I_1}$控制，$I_2$类似，体现局部感染压力的作用。
• 多疾病模型表明，当传播率与恢复率差异显著时，感染间的相互排斥现象普遍存在。
• 尽管静态网络模型已有大量研究，时变网络模型仍发展不足，仅有初步工作开始探索其分析方法。
• 博弈论模型在传播过程中的应用尚处于兴起阶段，尤其在控制与优化背景下仍属研究不足。
• 同一数学框架可广泛应用于疾病传播之外的场景，如信息扩散、恶意软件传播及产品采纳，凸显该模型的广泛适用性。