Data-Driven Allocation of Vaccines for Controlling Epidemic Outbreaks
我们提出了一个数学框架，圆锥几何规划的基础上，控制一个易感染的易感病毒传播过程中发生的有向接触网络与未知的接触率。我们假设，我们可以访问时间序列数据描述的传感器节点的集合在有限的时间间隔内观察到的传播过程的演变。我们提出了一个数据驱动的鲁棒凸优化框架来找到保护资源的最优分配（例如，疫苗和/或解毒剂）以尽可能快的速度根除病毒传播。与当前的网络识别算法不同，在该算法中，识别单个网络来解释观察到的数据，我们使用可用的数据来定义包含与经验观察一致的所有网络的不确定性集。我们的不确定性网络集的特征是易于处理的圆锥几何规划的背景下，最近提出的Escherasekaran和沙阿，这使我们能够有效地找到最佳的资源分配，以控制最坏情况下的蔓延，可以发生在网络的不确定性。我们说明了我们的方法在一个交通网络，我们收集的部分数据的动态的一个假设的流行病爆发在一个有限的时间。
2014-12-05 cs.SI math.OC
Containing epidemic outbreaks by message-passing techniques
有针对性的网络免疫问题可以定义为在给定的流行病模型下，找到网络中的一个节点子集进行免疫或接种，以最小化接种成本和最终（静态）预期感染之间的权衡。虽然计算预期的感染是一个很难的计算问题，简单而有效的平均场近似已经提出了在最近几年的文献。该优化问题可以转化为一个约束问题，其中约束条件强制执行描述流行病过程平均稳态的局部平均场方程。对于广泛的一类流行病模型，包括易感染-感染-移除和易感染-感染-易感模型，我们定义了一种消息传递方法来进行网络免疫，该方法使我们能够研究存在免疫节点时流行病爆发的统计特性，并找到（接近）最佳免疫集，用于给定的参数和成本选择。该算法与图的大小成线性关系，即使在大型网络上也可以有效。我们比较其性能与拓扑为基础的算法，贪婪的方法，和模拟退火。
2013-09-11 cond-mat.dis-nn cs.SI physics.soc-ph
The Role of Masks in Mitigating Viral Spread on Networks
提出基于网络的病毒传播智能体模型，推导关键流行病学量，揭示口罩内外效率权衡及基于度分配策略在疫情不同阶段的作用。
2023-06-06 cs.SI physics.soc-ph
Reducing Recurrent Competitive Epidemics via Dynamic Resource Allocation
Centre Borelli, ENS Paris-Saclay, CNRS（博雷利中心，巴黎萨克雷高等师范学院，法国国家科学研究中心）；School of Computer Science and Applied Mathematics, University of the Witwatersrand（威特沃特斯兰德大学计算机科学与应用数学学院）
本文提出gLRIE策略，通过动态资源分配减少社交网络中复发性竞争性流行病的传播。
2025-12-17 cs.SI math.OC physics.soc-ph
Effects of heterogeneous self-protection awareness on resource-epidemic coevolution dynamics
最近的研究表明，个人资源的分配对传染病传播的动态有重大影响。在现实情况下，面对疫情的爆发，个人的自我保护意识各不相同。为了研究异质自我意识分布对传染病动力学的影响，本文提出了一个资源-传染病协同进化模型。我们首先研究了人工网络中节点度和自我意识的异质分布对传染病动力学的影响。通过大量的模拟实验，我们发现，自我意识分布的异质性抑制了传染病的爆发，而度分布的异质性则促进了传染病传播。接下来，我们研究了节点度和自我意识之间的相关性如何影响流行动力学。结果表明，当正相关时，自我意识的异质性抑制了传染病传播。而当存在显著负相关时，自我意识分布的强异质性或强同质性均不利于疾病抑制。我们发现一个最佳的异质性的自我意识，在这种疾病可以抑制到最大程度。进一步研究表明，当相关性从最负到最正变化时，流行阈值单调增加，并发现相关系数存在一个临界值，当相关系数低于临界值时，存在一个最优的自我意识异质性，当相关系数低于临界值时，流行阈值随着自我意识异质性的降低而单调减小。最后，我们在四个典型的真实世界网络上对结果进行了验证，发现真实世界网络上的结果与人工网络上的结果是一致的。
2020-06-12 cs.SI physics.soc-ph
Sparse Resource Allocation for Spreading Processes on Temporal-Switching Networks
传播过程，例如流行病，野火和谣言，通常在静态网络上建模。然而，它们的基本网络结构，例如社交网络中不断变化的联系人，野火的不同天气预报，是由于不断变化的环境本质上是随时间变化的。因此，在本文中，我们提出了一个优化框架，稀疏资源分配控制的时间网络与已知的连接模式的传播过程。我们使用凸优化，特别是指数锥规划，和动态规划技术，以约束和最大限度地减少未被发现的爆发的风险，通过分配预算资源，每个时间步。我们展示了错误信息，流行病和野火的例子，该方法如何能够提供有针对性的资源分配。
2023-02-04 cs.SI cs.SY eess.SY
A Closed-Loop Framework for Inference, Prediction and Control of SIR Epidemics on Networks
受持续的COVID-19大流行的启发，我们提出了一个闭环框架，该框架结合了测试数据的推理，学习动态参数和最优资源分配，以控制网络上的易感染-恢复（SIR）流行病的传播。我们的框架结合了测试数据中存在的几个关键因素，例如高风险个体更有可能接受测试。然后，我们提出了两个易于处理的优化问题，以评估控制流行病的增长率和非药物干预（NPIs）的成本之间的权衡。我们通过对COVID-19真实公开测试数据的广泛模拟和分析，说明了拟议闭环框架的重要性。我们的研究结果说明了早期检测的重要性，以及如果NPI过早退出，第二波感染的出现。
2021-04-26 cs.SI math.OC physics.soc-ph
Optimal Containment of Epidemics in Temporal and Adaptive Networks
在本章中，我们重点讨论了在时间网络和自适应网络中控制疾病传播的问题（即，其结构“适应"疾病状态的网络）。我们特别关注的问题是找到遏制资源的最佳分配（例如，疫苗、医务人员、交通管制资源等）消除流行病爆发的时间和自适应网络的以下三个模型：（i）马尔可夫时间网络，（ii）聚合马尔可夫时间网络，（iii）随机自适应模型。对于每一个模型，我们提出了一个严格和易于处理的数学框架，有效地找到控制资源的最佳分配，以消除疾病。与其他现有的结果相比，我们的结果不是基于启发式控制策略，而是基于纪律分析，使用工具从动力系统和凸优化。
2016-12-20 cs.SI math.OC physics.soc-ph
Epidemic centrality - is there an underestimated epidemic impact of network peripheral nodes?
在SIR模型中研究经验复杂网络上的疾病传播时，初始感染节点可以根据其流行病影响程度进行排序。排名最高的节点，也被称为“超级传播者”，与主要流行病风险有关，因此值得特别关注。在研究经验复杂网络的模拟中，它表明，排名取决于疾病传播的动力学制度。一个可能的机制，导致这种依赖说明在一个易于分析的例子。在系统中的资源分配，以对抗疾病传播到各个节点是基于他们的排名，疾病传播的动态政权往往是未知的疾病爆发之前。因此，我们引入了一个称为流行病中心性的数量，作为疾病传播的所有相关制度的平均值，作为排名的基础。最近引入的概念的相图的传染病传播被用作一个框架，其中几种类型的平均进行了研究。流行中心性相比，节点的结构属性，如节点度，k-核心和介数。随着度和k-核值的增加，流行中心性有增加的趋势，但流行中心性的变化远小于度和k-核值的变化。研究发现，结构外围节点的流行中心性与结构中心节点的流行中心性具有相同的数量级。这些研究结果的影响资源分配，以对抗疾病的传播进行了讨论。
2012-08-08 cs.SI physics.soc-ph q-bio.PE
Fair treatment allocations in social networks
Google Research（谷歌研究院）
传染病传播的模拟长期以来一直被用来了解流行病如何演变以及如何有效治疗。然而，相对较少的注意已经支付给理解不同的治疗策略的公平性的影响-也就是说，如何可能这样的策略分配预期的疾病负担在不同的亚组或社区的人口？在这项工作中，我们定义了精确的疾病控制问题--以逐步的方式在社交网络中最优分配疫苗的问题--我们使用ML Fairness Gym来模拟流行病控制，并从效率和公平的角度对其进行研究。然后，我们提出了一个探索性的分析，几个不同的环境，并讨论不同的治疗策略的公平性的影响。
2019-11-01 cs.LG cs.SI stat.ML
Mitigating Biological Epidemic on Heterogeneous Social Networks
最近的新型冠状病毒疫情表明，需要有效的疫情爆发管理。我们研究的最优控制问题，最小化感染人口的比例，通过应用疫苗接种和治疗控制策略，而在同一时间，最小化实施它们的成本。我们使用基于度的易感-感染-扩散（SIR）房室模型对流行病进行建模。我们研究了不同的网络拓扑结构对最优流行病管理策略的影响，并给出了Erdos-Renyi，无标度和真实世界网络的结果。为了有效的计算建模，我们形成多组的度类，并将单独的疫苗接种和治疗控制信号应用于每组。这使我们能够识别在给定的网络拓扑结构中在减轻流行病方面发挥重要作用的度类。我们比较了最优控制策略和非最优策略（恒定控制和无控制），并研究了各种模型参数对系统的影响。我们确定的战略（疫苗接种/治疗）在控制流行病在不同的网络拓扑结构中起着重要的作用。我们还研究了疫苗接种成本和治疗控制对资源分配的影响。我们发现，最优策略实现了显着的改善，在本文研究的所有网络的非最优算法。我们的研究结果可能对政府和卫生保健当局在流行病爆发期间设计有效的疫苗接种和治疗活动感兴趣。
2021-12-06 cs.SI cs.SY eess.SY
A Convex Framework for Optimal Investment on Disease Awareness in Social Networks
本文提出了一种凸框架，用于在社交网络中通过疾病意识投资最优控制传染病传播，基于SAIS模型分析网络结构和参数对传染病传播的影响。
2013-08-16 cs.SI cs.SY eess.SY
Preserving system activity while controlling epidemic spreading in adaptive temporal networks
本研究构建自适应行为建模通用框架，解析疫情扩散条件，发现异质网络中靶向脆弱节点的病假策略可有效缓解疫情、维持系统活跃度，为流感样疾病防控提供参考。
2024-08-20 cs.SI physics.soc-ph q-bio.PE
Curing Epidemics on Networks using a Polya Contagion Model
我们研究了网络传染病的流行病的治疗，这是使用经典的波利亚瓮过程，考虑到相邻节点之间的空间感染的变化建模。我们引入了几个数量来衡量网络中的整体感染，并使用它们来制定一个最优控制问题，最小化使用有限的治疗资源的平均感染率。我们证明了这个问题的可行性下，高固化预算推导出保守的下界的固化量，每个节点，把我们的网络感染的措施上鞅。我们还提供了一个可证明收敛的梯度下降算法，以找到有限的预算下的固化分配。由于这种策略在计算上是昂贵的，我们设计了一套启发式方法，是本地可实现的，几乎一样有效。在大规模网络上进行的大量仿真证明了我们提出的策略的有效性。
2017-11-08 cs.SI math.OC math.PR
When is a network epidemic hard to eliminate?
我们认为传播的传染过程（流行病）的网络和研究的问题，动态分配一个固定的治疗预算的节点图，在每个时刻。对于有界度图，我们提供了一个下界的预期时间灭绝下任何这样的动态分配政策，在一个组合的数量，我们称之为电阻的初始感染节点的集合，可用的预算，和节点的数量n。具体来说，我们考虑有界度图的情况，电阻在n中线性增长。我们表明，如果固化预算是小于一定倍数的电阻，那么预期的灭绝时间与n呈指数增长。作为推论，如果所有节点最初都被感染，并且图的CutWidth线性增长，而治疗预算小于CutWidth的某个倍数，则预期的灭绝时间以n为单位呈指数增长。后者与我们先前的工作相结合，建立了一个相当尖锐的相变的预期时间灭绝（次线性与指数）之间的关系的基础上的CutWidth和固化预算。
2015-10-20 cs.SI
Heterogeneous Recovery Rates against SIS Epidemics in Directed Networks
通信网络中的节点可能并且最有可能配备有不同的恢复资源，这允许它们以不同的速率从病毒中恢复。在本文中，我们的目的是了解知道如何分配有限的恢复资源，以有效地防止流行病的传播。研究了有向无标度网络上的易感-感染-易感（SIS）传染病模型。在经典的SIS模型中，一个易感节点可以被一个被感染的邻居以感染率$β$感染，并且一个被感染的节点可以以恢复率$δ$恢复为易感节点。在稳定状态下，一小部分$y_\infty$节点被感染，这表明网络被感染的严重程度。我们建议根据节点$i$的入度和出度- $δ_i\scriptsize{\sim}k_{i,in}^{α_{in}}k_{i,out}^{α_{out}}$为节点$i$分配恢复率$δ_i$，给定有限的平均恢复率$\langleδ\rangle$代表整个网络上有限的恢复资源。我们发现，通过调整两个标度指数$α_{in}$和$α_{out}$，我们总是可以减少感染分数$y_\infty$，从而减少感染的程度，相比均匀的恢复率分配。通过对指数$α_{in}$和$α_{out}$的最优选择，我们可以找到我们的最优策略。我们的最优策略表明，当恢复资源充足时，应该将更多的资源分配给入度或出度较大的节点，而当恢复资源非常有限时，只应将更多的资源分配给出度较大的节点。我们还发现，我们的最优策略更好地工作时，恢复资源是足够的，但尚未能够使流行病灭绝，当深度outde…
2014-08-29 cs.SI physics.data-an physics.soc-ph
Containing Viral Spread on Sparse Random Graphs: Bounds, Algorithms, and Experiments
大型图上的病毒传播有许多实际应用，例如计算机网络中的恶意软件传播和类似Twitter的在线社交网络中的谣言（或错误信息）传播。尽管在传统的易感-传染-扩散模型上已经对大图上的病毒传播进行了深入的分析，但是在实践中仍然缺乏有效的方法来控制一旦超过临界阈值的流行病传播。在此背景下，我们探讨了在大型网络中遏制病毒传播的方法，重点是稀疏随机网络。病毒遏制策略是将大型网络划分为小组件，然后确保跨不同组件传递的所有消息的健全性。有了这样的防御机制，从任何节点开始的流行病传播都只限于与初始感染节点属于同一组件的那些节点。我们建立了检查组件间消息的成本的下限和上界。我们进一步提出了基于几何的方法来划分大的输入图成小的组件。最后，我们研究了我们提出的算法在不同的网络拓扑结构和不同的边权重模型下的性能。
2013-10-07 cs.DM cs.SI math.CO
Towards the efficacy of federated prediction for epidemics on networks
DS Information Technology Co., Ltd.（DS信息技术有限公司）；The First Research Institute of Telecommunications Technology Co., Ltd.（电信技术第一研究院有限公司）；Wuhan Yangtze Communications Industry Group Co., Ltd.（武汉长江通信产业集团股份有限公司）
提出基于联邦学习的节点级网络流行病预测框架，比较 LSTM 与 STGAT，并通过航空网络实验评估客户端配置等因素对预测效能的影响。
2024-12-03 cs.DC cs.LG cs.SI
Finding Patient Zero: Learning Contagion Source with Graph Neural Networks
Northeastern University（东北大学）；Northwestern University（西北大学）；Greenwich University（格林威治大学）；Harvard University（哈佛大学）；University of California San Diego（加利福尼亚大学圣地亚哥分校）
确定流行病的源头，或零号病人（P0），可以提供对感染传播过程的关键见解，并允许有效的资源分配。现有的方法使用图论的中心性措施和昂贵的消息传递算法，需要知识的基础动力学及其参数。在本文中，我们使用图神经网络（GNNs）来重新审视这个问题，以学习P0。我们建立了一类传染病模型中P0的一个理论极限。我们在考虑具有COVID-19历史和特征的疾病的合成和真实世界接触网络上针对不同的流行病模型评估了我们的方法。我们观察到，GNNs可以识别接近理论精度界限的P0，而无需明确输入动力学或其参数。此外，GNN在任意图拓扑上的推理速度比经典方法快100倍以上。我们的理论界限还表明，这种流行病就像一个滴答作响的时钟，强调了早期接触者追踪的重要性。我们找到一个最大的时间后，准确恢复的来源变得不可能，无论使用的算法。
2020-06-27 cs.LG cs.SI
Optimal Resource Allocation Over Time and Degree Classes for Maximizing Information Dissemination in Social Networks
Indian Institute of Science（印度科学研究所）
研究在社交网络中通过时间与度类分配竞选资源以最大化信息传播，采用传染病模型并结合直接招募策略，通过最优控制问题优化奖励函数，分析网络拓扑对控制策略的影响。
2016-01-22 cs.SI cs.SY eess.SY
Traffic Control for Network Protection Against Spreading Processes
University of Pennsylvania（宾夕法尼亚大学）
本文研究了通过优化有限预算分配三种保护资源来遏制病毒传播过程，提出利用几何规划在任意加权有向接触网络中实现多项式时间解决方案。
2013-10-18 cs.SI cs.SY eess.SY
Distinguishing Infections on Different Graph Topologies
在传染病和流行病的历史上，有许多著名的例子表明，理解、控制和最终治疗疫情始于理解其传播模式。流感、艾滋病毒和大多数计算机病毒通过接触网络在人与人之间、设备与设备之间传播;另一方面，霍乱、癌症和季节性过敏则不会。在本文中，我们研究了检测的两个基本问题：第一，给定一个（可能是微不足道的）感染者比例的快照视图，在什么条件下流行病通过接触传播（例如，流感），区别于独立于任何接触网络的“随机疾病”（例如，季节性过敏）;第二，如果我们确实有一种流行病，在什么条件下有可能确定哪一种相互作用网络是传播的主要原因-致病网络-而除了一个极小的受感染节点子样本的身份之外，对流行病没有任何了解？因此，本文的核心是了解网络信息的诊断能力。我们推导出网络必须满足这些问题是可识别的充分条件，并产生有效的，高度可扩展的算法来解决这些问题。我们表明，我们给出的可识别性条件是相当温和的，特别是，满足两个常见的图形拓扑结构：网格，和Erdos-Renyi图。
2013-09-25 cs.SI q-bio.PE
Bio-Inspired Framework for Allocation of Protection Resources in Cyber-Physical Networks
University of Pennsylvania（宾夕法尼亚大学）；Harvard University（哈佛大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出生物启发的保护资源分配框架，通过预防和纠正资源控制传播过程，结合动态系统理论和凸优化，实现成本最优的资源分配，同时考虑更广泛的流行病模型和网络不确定性。
2016-09-28 cs.SI cs.SY eess.SY
