[论文解读] How Complex Contagions Spread Quickly in the Preferential Attachment Model and Other Time-Evolving Networks

Roozbeh Ebrahimi, Jie Gao+2 more|arXiv (Cornell University)|Apr 10, 2014

Complex Network Analysis Techniques参考文献 48被引用 6

一句话总结

本论文表明，$k$-复杂传播机制——即节点需至少有 $k$ 个感染邻居才会被感染——在时间演化网络（如优先连接（PA）模型和复制模型）中传播迅速，当最早节点被初始感染时，可在 $O(\log n)$ 轮内实现全网感染。关键洞见在于，这类网络的演化结构（而不仅仅是幂律度分布）促成了快速传播，该结论通过标记分支过程和一种新颖的耦合论证得以证明。

ABSTRACT

In this paper, we study the spreading speed of complex contagions in a social network. A $k$-complex contagion starts from a set of initially infected seeds such that any node with at least $k$ infected neighbors gets infected. Simple contagions, i.e., $k=1$, quickly spread to the entire network in small world graphs. However, fast spreading of complex contagions appears to be less likely and more delicate; the successful cases depend crucially on the network structure~\cite{G08,Ghasemiesfeh:2013:CCW}. Our main result shows that complex contagions can spread fast in a general family of time-evolving networks that includes the preferential attachment model~\cite{barabasi99emergence}. We prove that if the initial seeds are chosen as the oldest nodes in a network of this family, a $k$-complex contagion covers the entire network of $n$ nodes in $O(\log n)$ steps. We show that the choice of the initial seeds is crucial. If the initial seeds are uniformly randomly chosen in the PA model, even with a polynomial number of them, a complex contagion would stop prematurely. The oldest nodes in a preferential attachment model are likely to have high degrees. However, we remark that it is actually not the power law degree distribution per se that facilitates fast spreading of complex contagions, but rather the evolutionary graph structure of such models. Some members of the said family do not even have a power-law distribution. We also prove that complex contagions are fast in the copy model~\cite{KumarRaRa00}, a variant of the preferential attachment family. Finally, we prove that when a complex contagion starts from an arbitrary set of initial seeds on a general graph, determining if the number of infected vertices is above a given threshold is $\mathbf{P}$-complete. Thus, one cannot hope to categorize all the settings in which complex contagions percolate in a graph.

研究动机与目标

• 理解为何复杂传播机制（需多个感染邻居）在某些时间演化网络中传播迅速，尽管其传播速度慢于简单传播机制。
• 识别时间演化网络中促进复杂传播机制快速且完全传播的结构性特征。
• 表明初始种子的选择（尤其是选择最早节点）对快速传播至关重要，与随机种子导致传播过早终止形成对比。
• 开发一种严谨的分析框架，利用标记分支过程和耦合技术，对演化网络中的传播过程进行建模与边界控制。
• 证明判断复杂传播机制是否超过某个感染规模阈值的问题是 ${\mathbf{P}}$-完全的，意味着不存在高效的通用表征方法。

提出的方法

• 作者使用 $k$-复杂传播机制过程在时间演化网络中建模传播，其中节点在拥有至少 $k$ 个感染邻居时被感染。
• 引入标记分支过程 $B(k,i,\alpha)$ 以建模从某节点出发的传播，其中标签表示感染阶段，边的概率由参数 $\alpha$ 控制。
• 提出一种新颖的耦合论证，将标记分支过程的灭绝时间与实际网络中的感染时间关联，确保两个过程间概率一致性。
• 通过 BF（分支过程）排序管理随机网络构建中的依赖关系与条件概率。
• 分析证明，该分支过程以高概率在 $O(\log n)$ 层内灭绝，意味着原始网络中传播速度很快。
• 该方法进一步扩展至复制模型，证实该框架在相关网络模型中的鲁棒性。

实验结果

研究问题

• RQ1 在何种网络结构中，$k$-复杂传播机制传播迅速？为何在某些情况下尽管具备小世界特性，传播仍会失败？
• RQ2 为何在优先连接网络中，初始种子策略（特别是选择最早节点）对快速传播如此关键？
• RQ3 时间演化网络（如优先连接模型和复制模型）的演化结构如何在仅具有幂律度分布之外，促进复杂传播机制的快速传播？
• RQ4 能否建立一个通用的分析框架，以边界控制演化网络中复杂传播机制的传播速度？处理此类模型中依赖关系所需的技术是什么？
• RQ5 在计算上是否可行判断复杂传播机制是否会感染网络中较大比例的节点？还是该问题本质上是困难的？

主要发现

• 当最初感染前 $k$ 个节点（即最早节点）时，$k$-复杂传播机制可在高概率下于 $O(\log n)$ 轮内感染整个优先连接网络 ${\rm PA}_{p,m}(n)$。
• 该结果同样适用于复制模型 ${\rm CM}_{p,m}(n)$，证明了该框架在相关时间演化网络模型中的普适性。
• 快速传播源于网络的演化结构，而非幂律度分布——这一点通过 ${\rm PA}_{0,m}(n)$（其度分布集中）仍支持快速传播得到验证。
• 当初始种子均匀随机选择（即使数量为多项式级别）时，PA 模型中的 $k$-复杂传播机制会过早终止，凸显对种子策略的高度敏感性。
• 标记分支过程的分析表明，其以高概率在 $O(\log n)$ 层内灭绝，为感染深度提供了紧致边界。
• 判断复杂传播机制是否感染超过某一阈值节点数的问题是 ${\mathbf{P}}$-完全的，表明无法对传播行为进行高效的通用表征。