[论文解读] Structural Analysis of Viral Spreading Processes in Social and Communication Networks Using Egonets

Víctor M. Preciado, Moez Draief+1 more|arXiv (Cornell University)|Sep 3, 2012

Complex Network Analysis Techniques参考文献 37被引用 5

一句话总结

本文提出一种凸优化框架，利用邻域网络（egonets）——即局部网络视图——来紧密界定网络邻接矩阵的最大特征值，该值决定了病毒传播动力学。通过利用从邻域网络中提取的谱矩，该方法计算出传染病阈值的可证明紧致上下界，在真实社交网络与通信网络中均表现出极窄的区间，从而在无需完整网络信息的情况下，实现可靠的免疫策略与网络设计。

ABSTRACT

We study how the behavior of viral spreading processes is influenced by local structural properties of the network over which they propagate. For a wide variety of spreading processes, the largest eigenvalue of the adjacency matrix of the network plays a key role on their global dynamical behavior. For many real-world large-scale networks, it is unfeasible to exactly retrieve the complete network structure to compute its largest eigenvalue. Instead, one usually have access to myopic, egocentric views of the network structure, also called egonets. In this paper, we propose a mathematical framework, based on algebraic graph theory and convex optimization, to study how local structural properties of the network constrain the interval of possible values in which the largest eigenvalue must lie. Based on this framework, we present a computationally efficient approach to find this interval from a collection of egonets. Our numerical simulations show that, for several social and communication networks, local structural properties of the network strongly constrain the location of the largest eigenvalue and the resulting spreading dynamics. From a practical point of view, our results can be used to dictate immunization strategies to tame the spreading of a virus, or to design network topologies that facilitate the spreading of information virally.

研究动机与目标

• 解决在因隐私或安全限制而无法获取完整网络拓扑的大规模网络中估计传染病阈值的挑战。
• 开发一种数学上严谨的方法，仅使用局部邻域网络数据来约束邻接矩阵的最大特征值。
• 克服随机网络模型的局限性，后者隐含编码了不受控的结构特性，导致阈值估计不可靠。
• 仅基于局部结构信息，提供谱半径与传染病阈值的可证明、计算高效的上下界。
• 展示这些边界的实际效用，用于真实社交与通信网络中的免疫策略与网络设计。

提出的方法

• 该方法利用代数图论，将邻域网络与邻接矩阵的前三个谱矩（即迹（第1阶矩）、平方项之和（第2阶矩）、闭合三元组之和（第3阶矩））建立关联。
• 通过半定规划（SDP）形式化优化问题，基于从邻域网络中推导出的谱矩，计算最大特征值的最紧致可能的上下界。
• 优化框架确保所得谱半径边界对任何与观测到的邻域网络一致的网络均有效，提供保证的区间。
• 通过将边权重纳入谱矩计算，将该方法扩展至加权网络。
• 利用凸优化求解器高效计算边界，使该方法可扩展至大规模网络。
• 通过将计算出的边界与真实世界网络子图中的真实谱半径进行比较，验证了该方法的有效性。

实验结果

研究问题

• RQ1 仅凭局部邻域网络结构，能否提供对网络邻接矩阵最大特征值的紧致、可证明的边界？
• RQ2 从邻域网络中推导出的谱矩，在真实世界网络中如何约束传染病阈值的位置？
• RQ3 局部网络结构在多大程度上限制了谱半径的可能取值，从而影响全局传播动力学？
• RQ4 与仅依赖度分布的随机网络模型相比，该方法在准确性和可靠性方面表现如何？
• RQ5 该框架能否应用于加权网络，以捕捉边权重对病毒传播的影响？

主要发现

• 所提出的方法仅使用邻域网络数据，即可计算出最大特征值的可证明有效的上下界，形成一个保证真实值位于其间的区间。
• 在多个真实社交与通信网络中，最大特征值的计算区间极为狭窄，表明局部结构对结果具有极强的约束力。
• 与随机网络模型所得边界相比，本方法的边界显著更紧致，后者常因无法捕捉关键结构特征而产生误导性估计。
• 该方法成功捕捉了聚类及高阶结构（如三角形）对传染病阈值的影响，而随机模型通常忽略这些因素。
• 该框架适用于加权网络，可将带宽、电阻等边权重信息整合进分析中。
• 数值模拟证实，边界具有高度准确性，真实谱半径在各类不同网络类型中始终位于计算区间内。