[论文解读] Generalized group-based epidemic model for spreading processes on networks: GgroupEM

Sifat Afroj Moon, Faryad Darabi Sahneh+1 more|arXiv (Cornell University)|Aug 16, 2019

Complex Network Analysis Techniques参考文献 13被引用 4

一句话总结

该论文提出 GgroupEM，一种广义的基于群体的流行病模型框架，用于在复杂网络上对分 compartment 的传播过程进行建模，通过节点分组实现状态空间压缩，从而实现高效模拟。该框架利用连续时间马尔可夫过程与平均场近似，实现显著的计算加速，同时保证聚合误差在可控范围内，支持多层网络及多种流行病模型（如 SIS 和 SIR）。

ABSTRACT

We develop a generalized group-based epidemic model (GgroupEM) framework for any compartmental epidemic model (for example; susceptible-infected-susceptible, susceptible-infected-recovered, susceptible-exposed-infected-recovered). Here, a group consists of a collection of individual nodes. This model can be used to understand the important dynamic characteristics of a stochastic epidemic spreading over very large complex networks, being informative about the state of groups. Aggregating nodes by groups, the state space becomes smaller than the individual-based approach at the cost of aggregation error, which is strongly bounded by the isoperimetric inequality. We also develop a mean-field approximation of this framework to further reduce the state-space size. Finally, we extend the GgroupEM to multilayer networks. Since the group-based framework is computationally less expensive and faster than an individual-based framework, then this framework is useful when the simulation time is important.

研究动机与目标

• 解决在超大规模网络（如畜牧、社交或通信系统）中基于个体的流行病建模存在的计算不可行性问题。
• 通过将节点聚合为群体来降低状态空间复杂度，同时不牺牲准确性，利用一种通过等周不等式理论界定聚合误差的框架。
• 推广现有基于群体的模型，以支持任意分 compartment 流行病模型（如 SIS、SIR、SEIR），提升灵活性与适用性。
• 开发一种平均场近似方法，进一步降低计算成本，同时保留传播过程的动力学特征。
• 将框架扩展至多层网络，以建模现实系统中相互依赖或重叠的网络结构。

提出的方法

• 为基于群体的动力学建立连续时间马尔可夫过程，其中每个群体代表一组具有聚合状态的节点。
• 定义转移指示矩阵（$\Delta_{\delta}, \Delta_{\beta}$）与状态转移指示符（$\mathcal{V}_{i,m}$），以建模节点与边在不同 compartment 间的转移。
• 通过张量运算（$\circ$）将群体层面的动力学与网络拓扑结构结合，构建全局转移速率矩阵 $\Theta$。
• 应用平均场近似通过假设群体状态之间的统计独立性来进一步减小状态空间规模，从而实现更快的模拟。
• 通过分层邻接矩阵 $\mathcal{A}_g$ 建模层间与层内相互作用，将框架扩展至多层网络。
• 利用等周不等式从理论上界定由分组引入的聚合误差，确保模型的可靠性。

实验结果

研究问题

• RQ1 如何将基于群体的框架广义化，以支持任意分 compartment 流行病模型（包括 SIS、SIR 和 SEIR）？
• RQ2 在将节点聚合为群体时，计算效率与准确性的权衡如何？聚合误差能否从理论上进行界定？
• RQ3 平均场近似在多大程度上减少了模拟时间，同时保留了原始基于个体模型的动力学行为？
• RQ4 如何将基于群体的框架扩展至建模具有相互依赖或重叠结构的多层网络上的传播过程？
• RQ5 在何种场景下，基于群体的方法在速度与可扩展性方面优于基于个体的模型，且预测保真度损失可忽略？

主要发现

• 与基于个体的模型相比，GgroupEM 框架显著降低了状态空间规模，从而在大规模网络上实现更快的模拟。
• 由分组引入的聚合误差被等周不等式强烈界定，确保了模型的理论可靠性。
• 对于包含 $\mathcal{N}_1=3$ 和 $\mathcal{N}_2=3$ 个节点的双群体系统，基于群体的模型分别捕获了 3 和 4 种不同状态，表明状态空间增长在可控范围内。
• 平均场近似通过假设群体状态之间的统计独立性，进一步降低了计算复杂度，支持可扩展的模拟。
• 该框架通过使用分层邻接矩阵建模层间与层内转移，成功扩展至多层网络。
• $\Theta_{\delta_1}$ 与 $\Theta_{\beta_1}$ 矩阵在 SIS 过程中的推导展示了如何通过矩阵运算将群体层面的转移动力学编码于群体状态与网络结构之间。