[论文解读] Coarse-graining adaptive coevolutionary network dynamics via automated moment closure

Thilo Groß, Ioannis G. Kevrekidis|arXiv (Cornell University)|Feb 24, 2007

Opinion Dynamics and Social Influence参考文献 3被引用 4

一句话总结

本文提出了一种计算性粗粒化方法，用于研究自适应共进化网络动力学中的SIS流行病模型，避免了传统低维闭合近似方法。研究发现，全局人群意识可引发感染水平与网络拓扑结构的鲁棒大振幅振荡。

ABSTRACT

We investigate the dynamics of an epidemiological susceptible-infected-susceptible (SIS) model on an adaptive network. This model combines epidemic spreading (dynamics on the network) with rewiring of network connections (topological evolution of the network). We propose and implement a computational approach that enables us to study the dynamics of the network directly on an emergent, coarse-grained level. The approach sidesteps the derivation of closed low-dimensional approximations. Our investigations reveal that global coupling, which enters through the awareness of the population to the disease, can result in robust large-amplitude oscillations of the state and topology of the network.

研究动机与目标

• 研究流行病传播与网络重连共进化的自适应网络动力学。
• 开发一种计算方法，实现在网络行为的粗粒化、涌现层面上的直接分析。
• 避免推导封闭的低维矩闭合近似的需求。
• 探究通过人群意识实现的全局耦合在塑造网络与状态振荡中的作用。

提出的方法

• 该方法采用自动矩闭合技术，从微观网络动力学推导粗粒化方程。
• 通过计算算法识别主导统计矩，避免了手工推导封闭矩系统。
• 该方法使在涌现的、宏观尺度上模拟与分析网络动力学成为可能。
• 它在不假设矩闭合特定函数形式的前提下，捕捉了疾病传播与拓扑演化之间的相互作用。
• 该方法被应用于具有意识驱动重连的自适应SIS模型。
• 它能够随时间追踪感染流行率与网络结构的全局振荡。

实验结果

研究问题

• RQ1 全局耦合机制（如全人群意识）如何影响自适应流行病网络的稳定性？
• RQ2 粗粒化动力学能否揭示在全尺度模拟中被掩盖的感染与网络拓扑的大振幅振荡？
• RQ3 缺乏显式矩闭合假设在捕捉涌现网络行为方面起到何种作用？
• RQ4 意识如何影响疾病动力学与网络结构的共进化？
• RQ5 计算粗粒化在在多大程度上可替代或补充传统的分析性矩闭合方法？

主要发现

• 通过人群意识实现的全局耦合在感染流行率与网络结构中均引发鲁棒的大振幅振荡。
• 所提出的粗粒化方法成功捕捉了振荡动力学，而无需显式推导封闭矩方程。
• 该方法使能够从微观动力学直接研究网络层面的涌现行为。
• 即使在传统低维闭合方法无法预测此类行为时，振荡依然持续存在。
• 该方法揭示了复杂、非平衡的动力学，这些在平均场近似中并不明显。
• 结果表明，自动化粗粒化在自适应共进化系统中具有可行性。