[论文解读] Approximation Algorithms for Reducing the Spectral Radius to Control Epidemic Spread

Sudip Saha, Abhijin Adiga+2 more|arXiv (Cornell University)|Jan 26, 2015

Complex Network Analysis Techniques参考文献 34被引用 23

一句话总结

本文提出了可证明高效的近似算法，通过移除边（隔离）或节点（接种疫苗）来降低网络的谱半径——这对控制疫情传播至关重要。所提出的 GreedyWalk 算法通过针对长度为 $k = \Theta(\log n)$ 的闭合路径进行优化，实现了 $O(\log^2 n)$ 的近似比，其在实践中优于所有先前的启发式方法，并提供了强大的理论保证。

ABSTRACT

The largest eigenvalue of the adjacency matrix of a network (referred to as the spectral radius) is an important metric in its own right. Further, for several models of epidemic spread on networks (e.g., the `flu-like' SIS model), it has been shown that an epidemic dies out quickly if the spectral radius of the graph is below a certain threshold that depends on the model parameters. This motivates a strategy to control epidemic spread by reducing the spectral radius of the underlying network. In this paper, we develop a suite of provable approximation algorithms for reducing the spectral radius by removing the minimum cost set of edges (modeling quarantining) or nodes (modeling vaccinations), with different time and quality tradeoffs. Our main algorithm, extsc{GreedyWalk}, is based on the idea of hitting closed walks of a given length, and gives an $O(\log^2{n})$-approximation, where $n$ denotes the number of nodes; it also performs much better in practice compared to all prior heuristics proposed for this problem. We further present a novel sparsification method to improve its running time. In addition, we give a new primal-dual based algorithm with an even better approximation guarantee ($O(\log n)$), albeit with slower running time. We also give lower bounds on the worst-case performance of some of the popular heuristics. Finally we demonstrate the applicability of our algorithms and the properties of our solutions via extensive experiments on multiple synthetic and real networks.

研究动机与目标

• 为通过移除边（SRME）或节点（SRMN）来控制网络中疫情传播，解决谱半径最小化（SRM）问题。
• 为 SRME 和 SRMN 开发首个具有可证明准确性的近似算法，克服先前启发式方法缺乏理论保证的问题。
• 分析如 ProductDegree、EigenScore 和 PageRank 等流行启发式方法的最坏情况性能，表明其与最优解的距离可能任意远。
• 通过图稀疏化和原始-对偶方法设计高效变体，以在保持近似质量的同时提升运行时间。
• 在多样化的合成网络和真实网络上对所提算法进行经验验证，证明其相对于现有方法的一致优越性。

提出的方法

• GreedyWalk 识别并移除能击中最多长度为 $k = \Theta(\log n)$ 的闭合路径的边，利用谱半径对路径计数的依赖性。
• 该算法确保谱半径降至最多 $ (1+\epsilon)T $，其中 $ T = \delta/\beta $ 为疫情阈值，具有 $ O(\log n \log \Delta) $ 的近似保证。
• GreedyWalkSparse 通过动态稀疏化在计算过程中降低图的密度，从而在不牺牲解质量的前提下显著提升运行时间。
• PrimalDual 使用原始-对偶框架实现更紧致的 $ O(\log n) $ 近似比，尽管计算成本更高。
• 通过适配路径击中与谱分析框架，将算法扩展至处理边上的非均匀传播速率和节点移除（SRMN）场景。
• 性能通过一种混合启发式方法（Hybrid）进行评估，该方法基于特征向量得分或乘积度选择边，作为比较基线。

实验结果

研究问题

• RQ1 在谱半径最小化问题中，现有启发式方法如 ProductDegree、EigenScore 和 PageRank 的最坏情况表现如何？
• RQ2 我们能否设计出通过边或节点移除降低谱半径的、具有有界近似比的可证明高效近似算法？
• RQ3 路径长度 $k$ 对基于路径击中的算法（如 GreedyWalk）的性能有何影响？
• RQ4 图稀疏化如何影响谱半径降低算法的运行时间和解质量？
• RQ5 所提算法能否扩展至处理非均匀传播速率和节点移除（接种疫苗）场景？

主要发现

• ProductDegree、EigenScore 和 PageRank 启发式方法的性能可能极差，其最坏情况代价比可达 $ \Omega(n / T^2) $，远差于最优解。
• GreedyWalk 在边移除（SRME）场景下实现了 $ O(\log^2 n) $ 的近似比，并在合成网络和真实网络中始终优于所有测试的启发式方法。
• GreedyWalkSparse 通过动态稀疏化显著降低运行时间，同时保持解质量，使其适用于大规模网络。
• PrimalDual 算法将理论近似保证提升至 $ O(\log n) $，表明通过更复杂的优化技术可实现更紧致的界。
• 实证结果表明，GreedyWalk 在路径长度 $ k = 2\log n $ 时表现最佳，且当 $ k $ 较小时性能急剧下降，证实了理论选择 $ \Theta(\log n) $ 的合理性。
• 这些算法在静态和时变传播速率设置下均有效，且可指导非网络替代方案的选择，以优化干预策略设计。