[论文解读] Understanding the spreading power of all nodes in a network: a continuous-time perspective

Glenn Lawyer|arXiv (Cornell University)|May 26, 2014

Complex Network Analysis Techniques参考文献 4被引用 76

一句话总结

本文提出了期望作用力（ExF），这是一种连续时间度量方法，通过建模疫情早期阶段节点产生的预期感染力，量化网络中节点的传播能力。ExF在捕捉传播能力增强时影响力从邻居度数向自身度数转移方面，优于传统中心性度量，尤其在密集且狭窄的网络中表现更优。

ABSTRACT

Centrality measures such as the degree, k-shell, or eigenvalue centrality can identify a network's most influential nodes, but are rarely usefully accurate in quantifying the spreading power of the vast majority of nodes which are not highly influential. The spreading power of all network nodes is better explained by considering, from a continuous-time epidemiological perspective, the distribution of the force of infection each node generates. The resulting metric, the extit{expected force}, accurately quantifies node spreading power under all primary epidemiological models across a wide range of archetypical human contact networks. When node power is low, influence is a function of neighbor degree. As power increases, a node's own degree becomes more important. The strength of this relationship is modulated by network structure, being more pronounced in narrow, dense networks typical of social networking and weakening in broader, looser association networks such as the Internet. The expected force can be computed independently for individual nodes, making it applicable for networks whose adjacency matrix is dynamic, not well specified, or overwhelmingly large.

研究动机与目标

• 为解决现有理论方法在量化非中心节点在网络中传播能力方面的不足。
• 开发一种能够捕捉节点影响力动态特性的度量方法，超越静态中心性排序。
• 从连续时间流行病学视角建模传播能力，重点关注早期传播动态。
• 识别网络结构如何调节节点自身度数与其邻居度数在决定影响力时的平衡关系。
• 创建一种可扩展、与节点无关的度量方法，适用于大规模、动态或信息不完整的网络。

提出的方法

• 提出期望作用力（ExF）作为传播能力的连续时间度量，其基于在少量传播事件后生成的感染-易感边的期望数量推导而来。
• 采用流行病学中的感染力（FoI）概念，其中FoI与感染-易感边的数量成正比。
• 通过在易感-感染（SI）模型中模拟早期疫情动态来计算ExF，重点关注各时间步上FoI的分布。
• 采用从传播率β到概率r = −log(1−β)的随机转换，以建模连续时间传播事件。
• 使用二分查找校准传播/恢复概率β，使得至少80%的节点处于临界范围[0.05, 0.95]内的疫情潜力（EPo）。
• 在五类网络家族中验证ExF：帕累托（无标度）网络、亚马逊共购买网络、互联网超链接网络、ArXiv天体物理网络以及Facebook动态发布网络，采用连续时间与离散时间模拟。

实验结果

研究问题

• RQ1 节点的传播能力在多大程度上取决于其自身度数与邻居度数？
• RQ2 网络结构（尤其是密度与直径）在多大程度上影响自身度数与邻居度数影响力之间的平衡？
• RQ3 与离散时间或随机游走计数中心性度量相比，连续时间模型是否能更准确地预测节点传播能力？
• RQ4 ExF在预测不同网络类型中的疫情结果方面，与可及性、k-shell及特征值中心性相比表现如何？
• RQ5 随着节点传播能力的增强，其影响力从依赖邻居转向依赖自身，这种转变在何种机制下发生？

主要发现

• ExF在SI、SIS和SIR模型中，显著优于可及性、k-shell及特征值中心性，能更准确预测疫情结果。
• 对于低传播能力节点，影响力主要由邻居度数决定；随着影响力增强，自身度数变得更为关键。
• 在密集且狭窄的网络（如社交网络，例如Facebook、ArXiv天体物理网络）中，从邻居度数主导转向自身度数主导的转变最为显著；而在更宽泛、更稀疏的网络（如互联网或亚马逊共购买网络）中，这种转变则较弱。
• 在密集网络中，三角形数量的增加会增强自身度数对传播能力的影响。
• 连续时间模拟相比离散时间模拟能提供更准确、更稳定的疫情结果预测，尤其在高传播率的无标度网络中表现更优。
• ExF度量在计算上对大规模网络可行，因其可独立于每个节点计算，无需完整的矩阵指数运算，因此适用于动态或超大规模网络。