[论文解读] Network Reconstruction and Prediction of Epidemic Outbreaks for NIMFA Processes

Bastian Prasse, Piet Van Mieghem|arXiv (Cornell University)|Nov 16, 2018

Complex Network Analysis Techniques参考文献 21被引用 7

一句话总结

本文提出了一种针对离散时间NIMFA模型的多项式时间网络重构算法，能够从有限的病毒状态观测中估计接触网络和传播参数。通过将问题表述为基追踪优化，该方法仅需少量初始观测即可在稀疏网络上实现对流行病动态的精确预测，且计算时间随网络规模呈多项式增长。

ABSTRACT

Predicting the viral dynamics of an epidemic process requires the knowledge of the underlying contact network. However, the network is not known for most applications and has to be inferred from observing the viral state evolution instead. We propose a polynomial-time network reconstruction algorithm for the discrete-time NIMFA model based on a basis pursuit formulation. Given only few initial viral state observations, the network reconstruction method allows for an accurate prediction of the further viral state evolution of every node provided that the network is sufficiently sparse.

研究动机与目标

• 解决在底层接触网络未知的情况下预测流行病动态的挑战。
• 开发一种可行的方法，从有限的病毒状态观测中重构网络并估计传播参数（β_T, δ_T）。
• 仅利用少量初始观测，实现对所有节点病毒状态演化的精确预测。
• 通过实现多项式时间复杂度，确保大规模网络的计算可行性。
• 通过数值模拟在稀疏和密集网络上验证该方法的性能。

提出的方法

• 将网络重构问题表述为基追踪优化，以在估计的邻接矩阵中促进稀疏性。
• 使用离散时间NIMFA模型的向量化形式：v[k+1] = (1−δ_T)v[k] + β_T diag(u−v[k])Av[k]，其中v[k]为病毒状态向量。
• 应用稀疏优化技术，从观测到的病毒状态序列中联合估计邻接矩阵A以及传播参数β_T和δ_T。
• 采用ℓ₀-范数最小化问题的凸松弛，以确保多项式时间可解性。
• 使用截断奇异值分解（TSVD）作为预处理步骤，以增强数值稳定性并减少观测中的噪声。
• 实现一种迭代算法，交替估计网络结构并基于观测动态优化传播参数。

实验结果

研究问题

• RQ1 能否仅从病毒状态演化的少量初始观测中准确重构出底层接触网络和传播参数？
• RQ2 所提出的方法是否实现多项式时间复杂度，从而在大规模网络上具备可扩展性？
• RQ3 仅凭部分观测，能否对所有节点的病毒状态演化实现良好预测？
• RQ4 网络稀疏性对重构和预测精度有何影响？
• RQ5 该方法能否处理稀疏和密集网络？其性能如何随网络类型变化？

主要发现

• 网络重构方法在所有n ≥ n_max时均达到预测误差ε_v[n] ≤ 0.05，表明在100个随机生成的网络中，病毒状态预测的准确率达到95%。
• 在稀疏网络中，如图8所示，流行病爆发可在达到稳态前被准确预测。
• 计算时间随网络规模N呈多项式增长，Watts-Strogatz网络的缩放约为O(N^3.6)，Barabási-Albert网络的缩放约为O(N^1.7)。
• 该方法能以高精度从单次流行病爆发中重构稀疏网络，而密集网络则需要多次爆发才能实现可靠推断。
• 基追踪公式化方法即使在观测有限的情况下也能实现稳定且精确的估计，尤其在稀疏网络中表现更优。
• 由于其多项式时间复杂度，该方法在计算可行性和可扩展性方面优于传统基于SIS的重构方法。