[论文解读] Unifying Markov Chain Approach for Disease and Rumor Spreading in Complex Networks

Guilherme Ferraz de Arruda, Francisco A. Rodrigues+3 more|arXiv (Cornell University)|Sep 2, 2016

Complex Network Analysis Techniques参考文献 3被引用 4

一句话总结

本文提出了一种统一的离散时间马尔可夫链框架，用于建模复杂网络中的疾病与谣言传播，整合了冷漠、遗忘和兴趣恢复等机制。通过解析推导传播阈值和动力学，该方法在精度和计算效率方面均表现出色，其结果经蒙特卡洛模拟和关于希格斯玻色子谣言的真实Twitter数据验证。

ABSTRACT

Spreading processes are ubiquitous in natural and artificial systems. They can be studied via a plethora of models, depending on the specific details of the phenomena under study. Disease contagion and rumor spreading are among the most important of these processes due to their practical relevance. However, despite the similarities between them, current models address both spreading dynamics separately. In this paper, we propose a general information spreading model that is based on discrete time Markov chains. The model includes all the transitions that are plausible for both a disease contagion process and rumor propagation. We show that our model not only covers the traditional spreading schemes, but that it also contains some features relevant in social dynamics, such as apathy, forgetting, and lost/recovering of interest. The model is evaluated analytically to obtain the spreading thresholds and the early time dynamical behavior for the contact and reactive processes in several scenarios. Comparison with Monte Carlo simulations shows that the Markov chain formalism is highly accurate while it excels in computational efficiency. We round off our work by showing how the proposed framework can be applied to the study of spreading processes occurring on social networks.

研究动机与目标

• 解决尽管疾病与谣言传播在现象学上具有相似性，但缺乏统一理论框架来建模两者传播过程的问题。
• 将非传统机制（如冷漠、遗忘和兴趣丧失/恢复）整合到单一动力学模型中。
• 为复杂网络上的传播动力学研究开发一种计算效率更高的蒙特卡洛模拟替代方法。
• 实现在合成网络与真实网络中对时间演化和临界阈值的精确预测。
• 展示该框架在真实社交网络数据中的适用性，例如希格斯玻色子发布期间的Twitter活动。

提出的方法

• 构建一个离散时间马尔可夫链模型，以捕捉传染病与谣言传播过程中所有可能的状态转移。
• 定义包括感染、恢复、传播、抑制、冷漠、遗忘和兴趣恢复在内的状态转移。
• 利用平均场近似推导宏观特性（如传播阈值和稳态密度）的解析表达式。
• 通过在不同网络类型和规模下与蒙特卡洛模拟进行广泛对比，验证模型的有效性。
• 将该框架应用于真实网络，包括Twitter数据，以重现经验性的谣言传播动态。
• 通过数值求解微分方程组，预测在不同参数下随时间的演化行为和临界特性。

实验结果

研究问题

• RQ1 是否能够通过单一马尔可夫链框架统一建模疾病与谣言传播，同时整合非传统行为机制？
• RQ2 冷漠、遗忘和兴趣恢复等参数如何影响复杂网络中传播的阈值与动力学？
• RQ3 马尔可夫链方法在精度和计算效率方面与蒙特卡洛模拟相比有多接近？
• RQ4 该模型能否准确重现真实世界中的谣言传播模式，例如在Twitter上关于希格斯玻色子发布的谣言传播？
• RQ5 利用该统一框架，能否揭示不同机制在真实传染过程中的相对重要性？

主要发现

• 所提出的马尔可夫链模型能准确再现复杂网络中接触传播与反应传播的动力学，其结果与蒙特卡洛模拟高度一致。
• 该模型成功捕捉并推广了传统流行病与谣言传播模型，包括SIR、SIS以及包含抑制者的经典谣言传播模型。
• 针对接触过程及反应过程的特殊情形，推导出了传播阈值和稳态密度的解析表达式。
• 该框架可通过将模型参数拟合到实证数据（如Twitter上关于希格斯玻色子的谣言）来识别真实传染过程中的主导机制。
• 求解马尔可夫链方程的计算成本显著低于蒙特卡洛模拟，使其适用于大规模在线社交网络。
• 该模型揭示了遗忘和冷漠等机制在真实网络中对传播过程的时间演化和最终规模起着关键作用。