[论文解读] Diagonal degree correlations vs. epidemic threshold in scale-free networks

Maria Letizia Bertotti, Giovanni Modanese|arXiv (Cornell University)|Aug 24, 2021

Complex Network Analysis Techniques参考文献 18被引用 3

一句话总结

本文表明，即使在无标度网络中存在微弱的对角度数相关性，也会显著降低流行病阈值，且随着网络规模增大，该阈值迅速消失。通过使用 Vazquez-Weigt 相关性矩阵和 Porto-Weber 重构方法，研究发现：相同的平均最近邻度函数（knn）可能因相关性矩阵结构和特征值谱的不同而产生截然不同的流行病阈值。

ABSTRACT

We prove that the presence of a diagonal assortative degree correlation, even if small, has the effect of dramatically lowering the epidemic threshold of large scale-free networks. The correlation matrix considered is $P(h|k)=(1-r)P^U_{hk}+r\delta_{hk}$, where $P^U$ is uncorrelated and $r$ (the Newman assortativity coefficient) can be very small. The effect is uniform in the scale exponent $\gamma$, if the network size is measured by the largest degree $n$. We also prove that it is possible to construct, via the Porto-Weber method, correlation matrices which have the same $k_{nn}$ as the $P(h|k)$ above, but very different elements and spectrum, and thus lead to different epidemic diffusion and threshold. Moreover, we study a subset of the admissible transformations of the form $P(h|k) o P(h|k)+\Phi(h,k)$ with $\Phi(h,k)$ depending on a parameter which leave $k_{nn}$ invariant. Such transformations affect in general the epidemic threshold. We find however that this does not happen when they act between networks with constant $k_{nn}$, i.e. networks in which the average neighbor degree is independent from the degree itself (a wider class than that of strictly uncorrelated networks).

研究动机与目标

• 研究对角度数相关性如何影响大规模无标度网络中的流行病阈值。
• 考察从相同 knn 函数重构相关性矩阵时的模糊性，表明不同矩阵可能产生不同的流行病动力学。
• 分析保持 knn 不变的允许变换对流行病阈值的影响，尤其关注 knn 恒定的网络。
• 建立网络在 knn 恒定（与度无关）时对这些变换具有不变性，即即使相关性发生变化，流行病阈值仍保持不变。

提出的方法

• 采用 Vazquez-Weigt 相关性矩阵 P(h|k) = (1−r)hP(h)/⟨k⟩ + rδhk，该矩阵结合了未相关和完全相关两部分。
• 应用 Porto-Weber 方法从给定的 knn 函数重构相关性矩阵，从而与原始的 Vazquez-Weigt 矩阵进行比较。
• 分析连通性矩阵 Ckh = kP(h|k) 的特征值谱，表明对于 Vazquez-Weigt 矩阵，特征值为 Λ(i) = ri，其中 i = 1,…,n。
• 引入一族变换 P(h|k) → P(h|k) + Φ(h,k)，该变换保持 knn(k) 不变，使用由 φ1,1 参数化的对称扰动 Φ(h,k)。
• 计算这些变换下 Ckh 的最大特征值，以评估流行病阈值 λc = 1/Λmax 的变化。
• 在不同 γ 值（2.1、2.5、2.9）的无标度网络中进行比较，评估不同相关性结构下阈值的敏感性。

实验结果

研究问题

• RQ1 即使存在极少量的对角度数相关性，其对大规模无标度网络中流行病阈值有何影响？
• RQ2 流行病阈值在多大程度上仅由 knn(k) 决定，还是完整相关性矩阵 P(h|k) 发挥了关键作用？
• RQ3 不同的相关性矩阵能否产生相同的 knn(k) 却导致显著不同的流行病阈值？
• RQ4 在何种条件下，保持 knn(k) 不变的变换无法改变流行病阈值？
• RQ5 连通性矩阵的特征值谱在决定流行病阈值方面起什么作用？

主要发现

• 即使存在微弱的对角度数相关性（r > 0），流行病阈值 λc 也随 n⁻¹ 缩放，导致随着网络规模 n 增大，阈值迅速消失。
• Vazquez-Weigt 连通性矩阵的特征值精确为 Λ(i) = ri（i = 1,…,n），最大特征值为 Λmax = r，因此 λc = 1/r，且随 r 增大而迅速减小。
• 对于 γ = 2.1、2.5 和 2.9，变换 P(h|k) → P(h|k) + Φ(h,k) 且 φ1,1 > 0 会使 Ckh 的最大特征值增大，从而降低流行病阈值。
• 相反，在严格未相关网络中（P(h|k) = hP(h)/⟨k⟩），相同变换保持最大特征值为 ⟨k²⟩/⟨k⟩，因此 λc 不变，尽管 P(h|k) 已改变。
• 具有恒定 knn(k) 的网络在这些变换下具有不变性：即使 P(h|k) 被修改，流行病阈值仍保持不变，尽管存在非零相关性。
• 本研究证实，仅凭 knn(k) 不足以预测流行病阈值；P(h|k) 的完整结构及其谱特性至关重要。