[论文解读] Measuring node spreading power by expected cluster degree

Glenn Lawyer|arXiv (Cornell University)|Sep 26, 2012

Complex Network Analysis Techniques参考文献 1被引用 4

一句话总结

本文提出通过期望簇度（ER_X）来衡量节点的传播能力，该指标估计从种子节点引发X轮感染后形成的感染-易感边的平均数量。研究表明，ER_X及其逆指标——期望等待时间（EW_X）——在预测真实网络和随机网络中离散时间、连续时间及竞争性传播过程的传播动态方面，优于传统指标，包括准确预测了2012年乌干达埃博拉疫情的有限大流行潜力。

ABSTRACT

Traditional metrics of node influence such as degree or betweenness identify highly influential nodes, but are rarely usefully accurate in quantifying the spreading power of nodes which are not. Such nodes are the vast majority of the network, and the most likely entry points for novel influences, be they pandemic disease or new ideas. Several recent works have suggested metrics based on path counting. The current work proposes instead using the expected number of infected-susceptible edges, and shows that this measure predicts spreading power in discrete time, continuous time, and competitive spreading processes simulated on large random networks and on real world networks. Applied to the Ugandan road network, it predicts that Ebola is unlikely to pose a pandemic threat.

研究动机与目标

• 解决传统中心性度量在量化非中心、边缘节点（常见为疾病或思想的传播入口）传播能力方面的局限性。
• 开发一种动态、过程感知的度量方法，捕捉超越静态网络结构的传播潜力。
• 评估期望簇度（ER_X）是否能有效预测SI、SIS及竞争性传播等多样化流行病模型中的传播结果。
• 通过真实网络（包括2012年埃博拉疫情期间的乌干达公路网络）评估该度量的实际应用意义。

提出的方法

• 将簇的度定义为连接感染节点与易感节点的边的数量。
• 通过枚举所有可能的感染簇，计算从节点i出发、经X轮感染后簇度的期望值，即期望传播范围（ER_X）。
• 使用ER_X的倒数，即期望等待时间（EW_X = β / ER_X），来建模连续时间过程中的传播速度。
• 在具有幂律度分布（Pareto(1,2.3)）的随机无标度网络和真实网络（ArXiv、Enron、Slashdot、Amazon）上模拟传播过程，节点数最多达262,111个。
• 将ER_X的性能与路径计数度量（如可及性、影响度）及经典中心性度量（度中心性、介数中心性、k-shell）进行比较。
• 将该度量应用于乌干达公路网络，重点关注2012年埃博拉疫情起源地基加迪村交汇点。

实验结果

研究问题

• RQ1 在多样化流行病模型中，期望簇度（ER_X）是否比传统中心性度量更优地预测节点传播能力？
• RQ2 在SIS模型中，期望等待时间（EW_X）与引发持续流行病的概率之间是否存在显著相关性？
• RQ3 ER_X能否准确预测两种相互敌对感染之间的竞争性传播过程的结果？
• RQ4 在真实网络结构中，如乌干达的基加迪交汇点等边缘节点，其传播潜力如何？

主要发现

• 在真实网络中，ER_X可解释SI模型中达到半覆盖时间的变异度的47%至80%，以及SIS模型中流行病传播概率的变异度的47%至80%。
• 在竞争性传播过程中，ER_X值较低的一方在至少50%的模拟中获胜，且胜利差距随EW_3值差异的增大而扩大。
• 乌干达公路网络中基加迪交汇点的ER_3为5.1，表明其传播能力有限；大多数边缘节点的ER_3 < 6，提示埃博拉疫情在该网络中大流行潜力较低。
• 期望簇度与路径计数度量不同，因其直接测量感染-易感界面边的数量，而非路径数量。
• 计算成本可控，未经优化的C++代码在类似任务上的运行时间与路径计数方法相当。
• 簇度分布呈现显著双峰特征，约80%距离枢纽节点三跳以内的节点表现出极高的或极低的传播范围，凸显传播潜力在结构上的异质性。