[论文解读] The relative importance of structure and dynamics on node influence in reversible spreading processes

Junyi Qu, Ming Tang+2 more|arXiv (Cornell University)|May 21, 2021

Mathematical and Theoretical Epidemiology and Ecology Models参考文献 1被引用 4

一句话总结

该论文提出了一种新型结构-动力学联合中心性（NSRC），通过整合邻居的出边数量（正向结构效应）与感染风险（负向动力学效应），以提升在可逆SIS类传播过程中关键传播者识别的准确性。关键发现为：适度削弱邻居感染风险的影响（b < a）可显著提高排名准确率，在真实网络中相较基线度量方法，准确率提升最高达100%。

ABSTRACT

The reversible spreading processes with repeated infection widely exist in nature and human society, such as gonorrhea propagation and meme spreading. Identifying influential spreaders is an important issue in the reversible spreading dynamics on complex networks, which has been given much attention. Except for structural centrality, the nodes' dynamical states play a significant role in their spreading influence in the reversible spreading processes. By integrating the number of outgoing edges and infection risks of node's neighbors into structural centrality, a new measure for identifying influential spreaders is articulated which considers the relative importance of structure and dynamics on node influence. The number of outgoing edges and infection risks of neighbors represent the positive effect of the local structural characteristic and the negative effect of the dynamical states of nodes in identifying influential spreaders, respectively. We find that an appropriate combination of these two characteristics can greatly improve the accuracy of the proposed measure in identifying the most influential spreaders. Notably, compared with the positive effect of the local structural characteristic, slightly weakening the negative effect of dynamical states of nodes can make the proposed measure play the best performance. Quantitatively understanding the relative importance of structure and dynamics on node influence provides a significant insight into identifying influential nodes in the reversible spreading processes.

研究动机与目标

• 理解网络结构与节点动力学在可逆传播过程中对节点影响力相对重要性的贡献。
• 解决仅依赖结构中心性在复杂网络中难以准确识别关键传播者的局限性。
• 开发一种混合度量方法，整合邻居的局部结构特征与动态状态，以提升影响力排序性能。
• 量化在影响力估计中结构与动力学因素之间的最优平衡。

提出的方法

• 提出一种新的中心性指标NSRC，通过加权参数a与b结合邻居的出边数量（正向结构效应）与感染风险（负向动力学效应）。
• 采用单节点控制模型评估SIS动力学中节点的影响力，模拟不同传播速率λ下的传播过程。
• 通过邻居度数（出边数量）与其感染概率的加权组合，计算每个节点的NSRC得分。
• 在八个真实网络上进行大规模仿真，优化权重参数a与b，以最大化排名准确率。
• 采用改进率η作为指标，将NSRC性能与基线度量（如度中心性与NDIC，基于邻居度数的指数）进行比较。
• 分析传播速率λ对排名准确率的影响，使用1至3倍于流行病阈值的λ值，以确保影响力可区分。

Figure 1: Illustration of calculating the NSRC. The decimal number labeled to the node number is the probability of being in the infected state. The NSRC of node 1 is calculated as $C(1)=k_{1}+a(k_{2}^{out}+k_{3}^{out}+k_{4}^{out}+k_{5}^{out})-b(k_{2}^{out}\rho_{2}+k_{3}^{out}\rho_{3}+k_{4}^{out}\rh

实验结果

研究问题

• RQ1 邻居的结构特征（如出边数量）在可逆传播过程中如何影响节点的传播影响力？
• RQ2 邻居的动力学状态（如感染风险）在多大程度上降低节点的传播影响力？
• RQ3 在识别关键传播者时，结构与动力学因素之间的最优平衡是什么？
• RQ4 与仅依赖结构中心性相比，整合结构与动态特征是否能显著提升影响力排序的准确率？
• RQ5 结构效应与动力学效应的相对权重如何影响所提中心性度量的性能？

主要发现

• 所提出的NSRC中心性在基线度量（如度中心性与NDIC）基础上显著提升了影响力排序准确率，在部分真实网络中准确率提升最高达100%。
• 当邻居感染风险权重b略小于其出边数量权重a时，NSRC达到最优性能，表明应适度降低动力学效应的影响。
• NSRC相对于NDIC的改进率η在Netsci、Router与Blog网络中约为80%，在其余五个网络中为10%至30%，且在不同传播速率下保持稳定。
• 邻居的出边数量比其度数更能准确反映局部结构重要性，从而提升影响力估计的精度。
• NSRC在不同传播速率（λ = 1–3倍于流行病阈值）下均保持高准确率，表明其在多种传播条件下具有鲁棒性。
• 回音室效应（即共同邻居放大传播）略微促进传播，因此适度削弱感染风险的负面影响具有合理性。

Figure 2: The imprecision of NSRC as a function of $a$ and $b$ in eight real-world networks for $p=5\%$ . The real-world networks are Nstsci (a), Hamster (b), Router (c), Blog (d), CA_Hep (e), Email (f), PGP (g), Astro (h).