[论文解读] Universal Components of Real-world Diffusion Dynamics based on Point Processes

Minkyoung Kim, Raja Jurdak+1 more|arXiv (Cornell University)|Jun 20, 2017

Ecosystem dynamics and resilience参考文献 90被引用 3

一句话总结

本文提出了一种基于点过程的通用框架，用于建模现实世界中的扩散动态，识别出跨学科领域中普遍存在的核心组件——如内生与外生影响、时间衰减和优先连接——并将其应用于登革热传播建模，展示了其在跨学科扩散建模中提升可解释性与预测能力的通用性。

ABSTRACT

Bursts in human and natural activities are highly clustered in time, suggesting that these activities are influenced by previous events within the social or natural system. Bursty behavior in the real world conveys information of underlying diffusion processes, which have been the focus of diverse scientific communities from online social media to criminology and epidemiology. However, universal components of real-world diffusion dynamics that cut across disciplines remain unexplored. Here, we introduce a wide range of diffusion processes across disciplines and propose universal components of diffusion frameworks. We apply these components to diffusion-based studies of human disease spread, through a case study of the vector-borne disease dengue. The proposed universality of diffusion can motivate transdisciplinary research and provide a fundamental framework for diffusion models.

研究动机与目标

• 识别流行病学、犯罪学及社交媒体等不同学科中爆发性扩散动态的普遍因素。
• 建立通用效应的分类体系，如内生/外生影响和时间衰减，以解释现实世界中的扩散过程。
• 通过登革热传播的案例研究，展示这些通用组件的应用性。
• 建立一个通用且可解释的扩散建模框架，突破领域特定限制，支持跨学科研究。
• 通过解决因子选择、平衡性、覆盖范围及对先验知识依赖等关键挑战，指导稳健且可扩展的扩散模型设计。

提出的方法

• 使用点过程作为数学基础，对时间序列中的离散爆发事件进行建模，实现对复杂扩散动态的灵活表示。
• 识别出四个核心通用组件：内生影响（自我激发）、外生影响（外部冲击）、时间衰减（记忆效应）和优先连接（优先传播）。
• 通过整合人类移动、气候和社会互动数据作为异构信号，将这些组件应用于登革热传播建模。
• 采用模型驱动的参数估计方法以捕捉非线性动态，与无模型、基于信息论的替代方法形成对比。
• 构建一个高层级的扩散框架，其中通用组件作为上下文相关的构建模块，可适配至特定领域情境。
• 通过所提出的分类体系对比现有点过程模型，评估其因子覆盖范围、可解释性及因子平衡性。

实验结果

研究问题

• RQ1 在疾病传播、社交媒体及地震活动等多样化现实领域中，爆发性扩散动态的普遍组件是什么？
• RQ2 这些通用组件如何系统性地组织为可推广的扩散建模框架？
• RQ3 所提出的框架在多大程度上可提升疾病扩散模型（如登革热）的可解释性与预测性能？
• RQ4 内生与外生因素如何相互作用，以塑造扩散事件的时间聚集性？
• RQ5 哪些设计原则（如因子定位、平衡性与覆盖范围）能够实现稳健且通用的扩散框架？

主要发现

• 研究识别出四个通用组件——内生影响、外生影响、时间衰减和优先连接——在不同学科中持续影响爆发性扩散。
• 这些组件在登革热案例研究中得到验证，显著增强了扩散模型的可解释性与情境丰富性。
• 该框架表明，整合这些通用组件的点过程模型，相较于依赖同质信号或简化假设的模型，能更准确捕捉复杂的真实世界扩散动态。
• 因子平衡——特别是正向效应（如优先连接）与负向效应（如时间衰减）之间的平衡——对准确建模事件聚集至关重要。
• 该框架在跨学科应用中展现出强大潜力，因为相同组件可被调整以建模从社交媒体病毒传播到地震余震等现象。
• 该方法在降低对领域特定先验知识依赖的同时，保持了对现实世界扩散案例的高覆盖范围，从而提升了模型的泛化能力与鲁棒性。