[论文解读] Locating the source of spreading in complex networks.

Zhesi Shen, Shinan Cao+4 more|arXiv (Cornell University)|Jan 25, 2015

Complex Network Analysis Techniques被引用 5

一句话总结

本文提出一种高效算法，利用有限节点观测数据，在复杂网络中定位扩散过程的源头。通过引入一种通用的可定位性条件，当观测数据满足该准则时，该方法可在任意网络拓扑结构下实现精确的源头定位，显著提升在疫情、谣言和疾病传播中的源头识别能力。

ABSTRACT

Locating the sources that trigger a dynamical process is a fundamental but challenging problem in complex networks, ranging from epidemic spreading in society and on the Internet to cancer metastasis in the human body. An accurate localization of the source is inherently limited by our ability to simultaneously access the information of all nodes in a large-scale complex network, such as the time at which each individual is infected in a large population. This thus raises two critical questions: how do we locate the source from incomplete information and can we achieve full localization of sources at any possible location from a given set of observers. Here we develop an efficient algorithm to locate the source of a diffusion-like process and propose a general locatability condition. We test the algorithm by employing epidemic spreading and consensus dynamics as typical dynamical processes and apply it to the H1N1 pandemic in China. We find that the sources can be precisely located in arbitrary networks insofar as the locatability condition is assured. Our tools greatly improve our ability to locate the source of diffusion in complex networks based on limited accessibility of nodal information. Moreover they have implications for controlling a variety of dynamical processes taking place on complex networks, such as inhibiting epidemics, slowing the spread of rumors, and eliminating cancer seed cells in the human body.

研究动机与目标

• 解决在大规模复杂网络中，基于不完整节点级观测数据，识别扩散过程源头的挑战。
• 克服现有方法在准确源头定位中对完整网络状态信息的依赖这一根本局限。
• 提出一种通用条件——可定位性——以判断从给定观测数据中是否可能实现源头定位。
• 在可定位性条件得到满足的前提下，实现对任意网络结构的精确源头定位。
• 为控制动力学过程（如疫情传播、虚假信息扩散和癌症转移）提供实用工具。

提出的方法

• 提出一种通用的可定位性条件，基于观测点位置和数据可用性，判断源头定位在理论上是否可能。
• 设计一种高效算法，仅利用观测点检测到扩散过程的时间，估算源头位置。
• 将该方法应用于两种典型动力学过程：疫情传播和一致性动力学。
• 在真实世界数据上验证算法，包括中国H1N1大流行数据，以证明其经验可行性。
• 利用观测点的到达时间数据，在可定位性约束下通过优化推断最可能的源头。
• 确保该方法具备可扩展性，适用于任意网络拓扑结构，且无需访问完整网络状态。

实验结果

研究问题

• RQ1 在复杂网络中，基于部分观测数据，扩散源头在何种条件下可被唯一且准确地定位？
• RQ2 如何设计一种算法，仅利用有限观测节点的感染/激活时间，高效识别源头？
• RQ3 网络及观测配置的何种结构或信息特性可保证源头定位的可行性？
• RQ4 所提出的方法是否可在多种网络类型和动力学过程中实现精确源头定位？
• RQ5 该算法在真实世界传播数据（如中国H1N1大流行）上的表现如何？

主要发现

• 所提出的可定位性条件为源头定位提供了理论保障，确保当观测数据满足该准则时，可实现精确的源头识别。
• 该算法在合成网络和真实世界网络（包括H1N1大流行数据）中成功定位源头，证明在可定位性条件下具有高精度。
• 只要满足可定位性条件，无论网络规模或拓扑结构如何，均可实现源头定位。
• 与现有方法相比，该方法在缺乏完整网络状态信息时显著提升了源头定位的准确性。
• 该方法在不同动力学过程（包括疫情传播和一致性动力学）中均表现出鲁棒性，表明其具有广泛适用性。
• 研究结果表明，该方法在控制疫情、减轻虚假信息传播以及靶向癌症转移方面具有实际应用潜力，可通过识别初始种子细胞实现。