[论文解读] Exact Markovian SIR and SIS epidemics on networks and an upper bound for the epidemic threshold

Piet Van Mieghem|arXiv (Cornell University)|Feb 7, 2014

Complex Network Analysis Techniques参考文献 16被引用 28

一句话总结

本文使用指示器随机变量和期望算子，在网络上提出了精确的连续时间马尔可夫SIR与SIS流行病模型，推导出无需平均场近似的控制方程。该文建立了一个基于图拉普拉斯矩阵和度分布的SIS流行病阈值新上界，该上界在规则图上是紧致的，并显示出在流行病阈值附近方差最大。

ABSTRACT

Exploiting the power of the expectation operator and indicator (or Bernoulli) random variables, we present the exact governing equations for both the SIR and SIS epidemic models on \emph{networks}. Although SIR and SIS are basic epidemic models, deductions from their exact stochastic equations extbf{without} making approximations (such as the common mean-field approximation) are scarce. An exact analytic solution of the governing equations is highly unlikely to be found (for any network) due to the appearing pair (and higher order) correlations. Nevertheless, the maximum average fraction $y_{I}$ of infected nodes in both SIS and SIR can be written as a quadratic form of the graph's Laplacian. Only for regular graphs, the expression for the maximum of $y_{I}$ can be simplied to exhibit the explicit dependence on the spectral radius. From our new Laplacian expression, we deduce a general extbf{upper} bound for the epidemic SIS threshold in any graph.

研究动机与目标

• 推导任意网络上SIR与SIS流行病的精确随机控制方程，无需依赖平均场近似。
• 将最大平均感染节点比例表示为涉及图拉普拉斯矩阵的二次型，从而获得新的分析洞见。
• 建立适用于任意网络结构的SIS流行病阈值的一般上界。
• 分析SIS流行病中感染比例的方差，并识别其在流行病阈值附近的极值行为。
• 阐明节点对相关性和边端点联合感染概率在流行病动力学中的作用，特别是与成对近似的关系。

提出的方法

• 使用连续时间马尔可夫链建模SIS与SIR过程，其中感染和康复过程均为独立的泊松过程。
• 采用指示（伯努利）随机变量表示节点状态，并应用线性期望算子推导精确微分方程。
• 推导感染概率和移除概率的控制方程，通过涉及邻接关系和感染动力学的速率项捕捉状态转移。
• 将最大平均感染流行度 $ y_{I} $ 表示为图拉普拉斯矩阵的二次型，从而支持谱分析。
• 利用拉普拉斯表达式推导SIS流行病阈值的上界 $ \tau_c \leq \frac{1}{d_{\min}}\left(1 + O\left(\frac{1}{\sqrt{N}}\right)\right) $。
• 通过推导时间微分方程分析SIS中感染比例的方差，并识别其在流行病阈值附近的极值点。

实验结果

研究问题

• RQ1 如何在任意网络上构建无需平均场近似的精确马尔可夫SIR与SIS流行病动力学模型？
• RQ2 SIS与SIR模型中，最大平均感染流行度与图拉普拉斯矩阵之间存在何种关系？
• RQ3 能否从精确随机方程中推导出SIS流行病阈值的一般上界？
• RQ4 SIS流行病中感染比例的方差行为如何？其最大值出现在何处？
• RQ5 边端点的联合感染概率在塑造流行病阈值与动力学中起何种作用？

主要发现

• 在SIS与SIR模型中，最大平均感染节点比例 $ y_{I\text{max}} $ 均可表示为图拉普拉斯矩阵的二次型。
• 对于规则图，$ y_{I\text{max}} $ 简化为显式依赖于谱半径的表达式，从而可直接进行谱分析。
• 推导出SIS流行病阈值的一般上界 $ \tau_c \leq \frac{1}{d_{\min}}\left(1 + O\left(\frac{1}{\sqrt{N}}\right)\right) $，适用于任意图。
• 该上界在规则图上是紧致的，并通过引入网络结构特性，优于以往的近似方法。
• SIS感染比例的方差在流行病阈值附近达到最大，与统计物理中的相变行为一致。
• 感染比例与单侧感染边数之间的依赖关系表明，方差可能显著，与平均场模型中的独立性假设相矛盾。