[论文解读] Analysis of Exact and Approximated Epidemic Models over Complex Networks

Navid Azizan, Hyoung Jun Ahn+1 more|arXiv (Cornell University)|Sep 30, 2016

Complex Network Analysis Techniques参考文献 22被引用 10

一句话总结

本文对复杂网络上离散时间流行病模型（SIS、SIR、SIRS、SIV）的非线性平均场近似进行了完整的全局分析，表明动力学行为会根据邻接矩阵的最大特征值以及感染/恢复率收敛至无病状态或地方性固定点。研究证明线性模型是对感染边际概率的最紧上界，并证明平均场稳定性意味着混合时间在 O(log n) 范围内，从而确保真实马尔可夫链模型中流行病的快速消散。

ABSTRACT

We study the spread of discrete-time epidemics over arbitrary networks for well-known propagation models, namely SIS (susceptible-infected-susceptible), SIR (susceptible-infected-recovered), SIRS (susceptible-infected-recovered-susceptible) and SIV (susceptible-infected-vaccinated). Such epidemics are described by $2^n$- or $3^n$-state Markov chains. Ostensibly, because analyzing such Markov chains is too complicated, their $O(n)$-dimensional nonlinear "mean-field" approximation, and its linearization, are often studied instead. We provide a complete global analysis of the epidemic dynamics of the nonlinear mean-field approximation. In particular, we show that depending on the largest eigenvalue of the underlying graph adjacency matrix and the rates of infection, recovery, and vaccination, the global dynamics takes on one of two forms: either the epidemic dies out, or it converges to another unique fixed point (the so-called endemic state where a constant fraction of the nodes remain infected). A similar result has also been shown in the continuous-time case. We tie in these results with the "true" underlying Markov chain model by showing that the linear model is the tightest upper-bound on the true probabilities of infection that involves only marginals, and that, even though the nonlinear model is not an upper-bound on the true probabilities in general, it does provide an upper-bound on the probability of the chain not being absorbed. As a consequence, we also show that when the disease-free fixed point is globally stable for the mean-field model, the Markov chain has an $O(\log n)$ mixing time, which means the epidemic dies out quickly. We compare and summarize the results on different propagation models.

研究动机与目标

• 为任意网络上的离散时间流行病模型提供非线性平均场近似的完整全局分析。
• 建立精确马尔可夫链模型与其平均场近似之间的联系，特别是关于感染概率上界的问题。
• 证明当平均场模型在无病固定点处稳定时，真实马尔可夫链表现出快速混合，其混合时间为 O(log n)。
• 统一并比较离散时间设定下 SIS、SIR、SIRS 和 SIV 流行病模型的结果。
• 证明仅使用一阶统计量时，线性平均场模型是对感染边际概率的最紧上界。

提出的方法

• 利用固定点分析和网络邻接矩阵的谱性质，对非线性平均场近似动力学进行形式化分析。
• 推导系统全局收敛至无病状态或地方性固定点的条件，基于邻接矩阵的最大特征值和传播率。
• 使用线性规划和拉格朗日乘子技术推导感染概率的上界，证明仅使用边际分布时线性模型是最紧的此类上界。
• 建立耦合论证，表明若线性模型稳定，则真实马尔可夫链的混合时间为 O(log n)。
• 应用矩阵范数和谱半径分析，基于 (1−δ)I + βA 或类似矩阵的谱半径，界定马尔可夫链的混合时间。
• 通过将免疫接种建模为状态转移，将结果扩展至 SIV 模型，并在相同框架下分析其动力学行为。

实验结果

研究问题

• RQ1 离散时间流行病模型的非线性平均场近似在何种条件下收敛至唯一的本地固定点或无病状态？
• RQ2 网络邻接矩阵的最大特征值如何影响流行病模型的全局稳定性？
• RQ3 线性平均场近似与底层马尔可夫链模型中的真实感染概率之间存在何种关系？
• RQ4 能否证明线性模型是在仅使用一阶统计量的所有模型中，对感染边际概率的最紧上界？
• RQ5 当平均场模型在无病固定点处稳定时，真实马尔可夫链的混合时间是多少？

主要发现

• 非线性平均场模型根据邻接矩阵的谱半径和模型参数，全局收敛至无病固定点或唯一的本地固定点。
• 线性平均场模型仅使用一阶统计量，即是对边际感染概率的最紧上界，且在所有此类模型中该上界最为紧致。
• 尽管非线性模型并非单个感染概率的上界，但它却是链未被吸收（即仍有节点处于感染状态）的概率的上界。
• 当平均场模型中无病固定点全局稳定时，真实马尔可夫链的混合时间为 O(log n)，表明流行病可快速消散。
• 对于 SIV 模型，快速混合的条件由 (1−δ)I + β(1−θ)A 的谱半径决定，且在稳定性条件下混合时间被限制在 O(log n)。
• 本研究统一并扩展了离散时间与连续时间流行病建模中的既有成果，为复杂网络上流行病动力学的分析提供了完整框架。