The interplay of network structure and correlated infectious traits in epidemic models
University of Virginia（弗吉尼亚大学）；Vermont Complex Systems Institute, University of Vermont（佛蒙特大学复杂系统研究所）
研究网络结构与个体传染性特征的相互作用，通过SIR模型分析群体结构和度异质性的影响，推导基本再生数并验证社会干预的有效性。
2026-05-12 physics.soc-ph q-bio.PE
Spectral properties and the accuracy of mean-field approaches for epidemics on correlated networks
对度分布为幂律分布$P(k)\sim k^{-γ}$的关联网络（包括离散网络和非离散网络）上的易感-感染-易感（SIS）模型的流行病阈值进行了随机模拟和平均场论的比较.我们确认消失的阈值，无论相关模式和度指数$γ$。数值计算确定的量子点与猝灭平均场（QMF）和对猝灭平均场（PQMF）理论进行了比较。相关性不会改变整体情况：QMF和PQMF提供的估计值对于$γ<5/2$的大尺寸是渐近正确的，而它们仅捕获了$γ>5/2$阈值的消失，未能定量地再现这是如何发生的。对于给定的尺寸，PQMF更准确。我们与QMF和PQMF预测的准确性的变化与标准和修改后的邻接矩阵的光谱特性（光谱间隙和本地化）的变化，这规则的流行病流行的过渡点附近，取决于理论框架。我们还表明，对于$γ<5/2$，虽然QMF提供了一个估计的流行病阈值是渐近精确的，它未能重现的奇异性的流行转变。
2019-07-05 physics.soc-ph
Contagion dynamics in time-varying metapopulation networks with node's activity and attractiveness
本文提出一种活动性与吸引力相关的时变集合种群网络模型，研究了SIR疾病在不同相关网络上的传播及非药物干预措施的效果，发现相关性增加降低爆发阈值但抑制爆发规模，且不同干预策略在不同相关网络中有效性不同。
2023-11-23 physics.soc-ph
Contagion-Preserving Network Sparsifiers: Exploring Epidemic Edge Importance Utilizing Effective Resistance
网络流行病学已经成为理解高度顶点、地理和人口社区以及社会结构中的其他不均匀性对疾病传播的影响的重要工具。然而，从现代数据集衍生的许多网络是相当密集的，例如移动网络，其中每个位置都有到大量潜在目的地的链接。减少在这些网络上模拟流行病的计算量的一种方法是稀疏化，我们根据边缘的重要性选择一个代表性的边缘子集。最近提出了一种基于边缘有效电阻的算法。我们探讨如何有效的阻力与边缘传播疾病的SI模型中的概率。我们发现，在某些情况下，这两个概念的边缘的重要性是很好的相关性，使有效的电阻计算效率代理的边缘的重要性，以流行病的传播。在其他情况下，相关性较弱，我们讨论的情况下，有效的阻力是不是一个很好的代理流行病的重要性。
2021-01-28 cs.SI physics.soc-ph q-bio.PE
Role of Subgraphs in Epidemics over Finite-Size Networks under the Scaled SIS Process
在以前的工作中，我们开发了缩放SIS过程，该过程模拟了网络上SIS流行病的动态。通过缩放SIS过程，我们可以考虑有限大小和任意拓扑的网络（即，我们不限于特定类别的网络）。我们推导出的缩放SIS过程的时间渐近概率分布的网络中的所有代理的状态的封闭形式的表达式。平衡分布的这种封闭形式的解通过其邻接矩阵明确地展示了底层网络拓扑。本文确定哪种网络配置是最可能的。我们证明，对于一系列的流行病参数，这个组合问题导致一个子模块优化问题，这是完全可解的多项式时间。我们与网络结构，特别是高密度子图的存在性的最可能的配置。根据流行病参数的不同，代理人的子集可能比其他代理人更有可能被感染;这些更脆弱的代理人形成的子图比整个网络更密集。我们用193个节点的社交网络和4941个节点的美国西部电网在不同的流行病参数下说明了我们的结果。
2014-10-09 cs.SI physics.soc-ph
Epidemic Spreading and Aging in Temporal Networks with Memory
时变网络拓扑结构可以深刻地影响由它们介导的动力学过程。人们还知道，个体之间互动模式中的记忆效应会影响扩散和传播现象的发生。在本文中，我们分析了这两种成分对网络上流行病动力学的综合影响。在最近引入的具有记忆的活动驱动网络上，研究了易感染-易感染（SIS）和易感染-易感染-移除（SIR）模型。通过基于活动的平均场方法，我们推导出，在很长的时间限制，分析预测的流行阈值作为一个函数的参数描述的活动分布和记忆效应的强度。我们的研究结果表明，记忆降低了阈值，这是相同的SIS和SIR动态，因此有利于传染病传播。在长时间渐近状态下，理论计算与数值模拟结果完全一致。强的老化效应存在于前渐近制度和流行病的阈值深受流行病的开始时间的影响。我们详细讨论了依赖于模型的前渐近校正的起源，其理解可能允许相关的时间网络的流行病控制。
2018-12-19 cs.SI physics.soc-ph q-bio.PE
Numerical Investigation of Metrics for Epidemic Processes on Graphs
本研究开发了流行病击中时间（EHT）度量图测量的预期时间开始在节点$a$在一个完全易感的网络传播和到达节点$b$。一个相关的EHT中心性措施，然后比较度，介数，频谱，和有效电阻中心性措施，通过详尽的数值模拟几个真实世界的网络数据集。我们发现两个令人惊讶的观察：第一，EHT中心性是高度相关的有效电阻中心性;第二，EHT中心性措施是更离域相比，度和频谱中心性，突出了周边节点的作用，在图上的传染病传播。
2015-11-24 cs.SI math.PR physics.soc-ph
Analytically solvable autocorrelation function for weakly correlated interevent times
在自然和社会现象的事件序列中观察到的长期时间相关性的特征在于代数衰减的自相关函数。这样的时间相关性不仅可以通过异质间隔时间（Iths）来理解，而且可以通过Iths之间的相关性来理解。与异质性Ikr对自相关函数的作用相反，由于Ikr之间的相关性，对Ikr的影响知之甚少。为了严格地研究这些影响，我们推导出任意IET分布的自相关函数的解析形式的情况下，弱相关的IET，其中的Farlie-Gumbel-Morgenstern copula是采用建模的联合概率分布函数的两个连续的IET。我们的分析结果证实了指数和幂律IET分布的数值模拟。对于幂律的情况下，我们发现的自相关函数的陡峭的衰减的趋势，Iklv之间的较强的相关性。我们的分析方法，使我们能够更好地了解长期的时间相关性引起的Icons之间的相关性。
2019-07-18 physics.data-an physics.soc-ph
The relationships between message passing, pairwise, Kermack-McKendrick and stochastic SIR epidemic models
我们认为一个非常普遍的随机模型SIR流行病的网络，允许个人的传染期，并需要时间来联系每个邻居后，被感染，是相关的。我们写下这个模型的消息传递方程组，并证明，第一次，它有一个唯一的可行解。我们还概括了较早的结果，证明该解决方案提供了一个严格的上限，预期的流行规模（累计感染事件数）在任何固定的时间$t>0$。我们专门这些结果的一个同质的特殊情况下，图（网络）是对称的。这里的消息传递系统简化为四个等式。我们证明，在网络中的周期抑制感染的传播，并得出重要的流行病学结果的最终流行病的规模和阈值行为的一个大的爆发。对于Poisson接触过程，这个消息传递系统等价于一个非马尔可夫对近似模型，我们证明了它有著名的成对模型作为特例。我们进一步表明，一系列的消息传递系统，从刚才描述的齐次，收敛到确定性的Kermack-McKendrick方程的随机模型。对于泊松接触和恢复，我们表明，这种收敛是单调的，从它遵循的消息传递系统（因此也是成对模型）在这里提供了一个更好的近似预期的流行病规模在时间$t>0$比Kermack-McKendrick模型。
2017-04-26 cond-mat.stat-mech math.PR physics.soc-ph
Inference of epidemic networks: the effect of different data types
本研究结合生成模型与马尔可夫链蒙特卡洛方法，探究不同数据类型对流行病网络推断的影响，经解析示例验证后应用于澳大利亚COVID-19数据，发现关键网络特性对所用数据类型高度敏感。
2025-09-02 cond-mat.stat-mech physics.comp-ph physics.data-an
Optimal Allocation of Resources for Suppressing Epidemic Spreading on Networks
有效配置有限的医疗资源是控制网络流行病传播的关键。基于易感-感染-易感模型，在每个节点的治愈率与其医疗资源正相关的条件下，解决了如何最好地分配有限的资源以使患病率最小的优化问题.利用猝灭平均场理论和异质平均场（HMF）理论，证明了当每个节点的治愈率与其度成正比时，传染病的爆发将得到最大程度的抑制，在此条件下，有效感染率$λ$存在一个最大阈值$λ_c^{opt}=1/\left\langle k \right\rangle$，其中$\left\langle k \right\rangle$为底层网络的平均度.对于弱感染区域（$λ\gtrsimλ_c^{opt}$），本文将摄动理论与拉格朗日乘子法（LMM）相结合，导出了治愈率最优分配的解析表达式，并得到了相应的最小患病率。对于一般感染域（$λ>λ_c^{opt}$），利用HMF理论和LMM将高维优化问题转化为低维非线性方程组的数值求解。与直觉相反，在强感染区域，低度节点应比高度节点分配更多的医疗资源，以最大限度地降低患病率。最后，我们使用模拟退火来验证理论结果。
2017-02-26 physics.soc-ph q-bio.PE
On the use of human mobility proxy for the modeling of epidemics
人口流动是传染病大规模空间传播模型的一个关键组成部分。正确建模和量化人员流动对于改善流行病控制政策至关重要，但在世界某些地区，数据不完整可能会阻碍这一工作。在这里，我们探讨了使用代理数据或模型的个人流动性来描述通勤运动和预测传染病的扩散的机会。我们认为三个欧洲国家和相应的通勤网络在不同的分辨率尺度从官方人口普查调查，从代理数据提取的移动电话记录，从人口普查数据校准的辐射模型。定义在这三个国家和整合不同的流动层的集合种群模型进行了比较，在流行病的可观的。我们发现，从手机数据的通勤网络很好地捕捉经验通勤模式，占总流量的87%以上。从两个数据源-移动电话和人口普查-每个链接的通勤流量的分布是相似的，高度相关的，但在移动电话数据的通勤交通的系统高估观察。这导致流行病的传播速度比人口普查通勤网络更快，但保持了新感染地点的感染顺序。匹配的流行病入侵模式是敏感的初始条件：辐射模型显示出更高的准确性相对于移动电话数据时，种子是在网络中的中心，而移动电话代理执行更好的流行病种子在外围位置。结果表明，不同的代理可以用来近似通勤模式在不同的分辨率尺度在空间流行病模拟，在所需的准确性在研究中的流行病的结果。
2014-05-27 physics.soc-ph q-bio.PE
Eigenvector localization in real networks and its implications for epidemic spreading
邻接矩阵的谱特性，特别是它的最大特征值和相关的主特征向量，支配着复杂网络的许多结构和动力学特性。在这里，我们专注于本地化性质的主要特征向量在现实网络。我们发现，在大多数情况下，它是本地化的最大程度的节点（枢纽）及其最近的邻居所定义的星，或在密集连接的子图定义的最大$K$-核心的$K$-核心分解。主特征向量的局部化通常与最大特征值的值强相关，该最大特征值由相应局部化子图的局部特征值给出，但有时会出现不同的情况。我们还表明，简单的有针对性的免疫策略传染病传播是非常敏感的实际本地化设置。
2018-01-17 cs.SI physics.soc-ph
May the Best Meme Win!: New Exploration of Competitive Epidemic Spreading over Arbitrary Multi-Layer Networks
本文将单病毒在任意图上传播的SIS传染病模型推广到两个互斥竞争病毒在具有类属结构的两层网络上传播的SI 1 SI 2S传染病模型，其中网络层代表病毒的不同传播路径.通过引入生存阈值和获胜阈值的概念，我们找到了确定病毒灭绝、互斥和共存的分析结果。此外，我们表明共存的可能性SIS型竞争性传播多层网络。我们不仅严格证明了共存的区域，我们通过网络层的中心节点的相互关系来量化它。层中心节点的重叠很少或没有重叠是共存的关键决定因素。具体来说，我们表明共存是不可能的，如果网络层是相同的，但可能的，如果网络层有不同的主导特征向量和节点度向量。例如，我们通过分析和数值计算表明，网络层的正相关性使病毒难以生存，而在网络层负相关的网络中，病毒的生存更容易，但要完全清除其他病毒则更困难。我们相信，我们的方法有很大的应用潜力，以更广泛的类的多病原体传播的多层和互连的网络。
2013-08-30 cs.SI physics.soc-ph
Are `Water Smart Landscapes' Contagious? An epidemic approach on networks to study peer effects
我们测试存在的邻里为基础的同伴效应，在内华达州拉斯维加斯市的一个激励为基础的保护计划，称为“水智能景观”（WSL）的参与。我们使用15年的地理编码的WSL计划申请和批准的每日记录，由南内华达州水务局和克拉克县税务评估员为家庭特征编制。我们使用这些数据来测试是否可以观察到空间介导的同伴效应在家庭层面的WSL参与可能性。我们发现，流行病传播模型提供了更大的灵活性，在建模假设，也提供了一种机制，解决相关的不可观测的问题比危险模型，也可以应用于解决同样的问题。我们建立网络的邻居为基础的同行16个随机选择的社区在拉斯维加斯和测试的存在，基于WSL参与的影响，通过使用易感-暴露-被感染-被感染的流行病传播模型（SEIR），在该模型中，一个家可以成为通过自身感染或通过传染病从其感染的邻居。我们证明了这类传染病模型可以直接转化为一个加性-乘性风险模型，而不能转化为一个纯乘性模型。使用推断和预测的方法，我们发现在拉斯维加斯的几个街区的同伴效应的证据。
2018-01-29 econ.EM physics.data-an physics.soc-ph
Epidemic spreading on time-varying multiplex networks
社会互动在多个背景下分层，并受到复杂的时间动态。对社会系统的这两个特征的系统研究只是最近才开始的，这主要归功于多元和时变网络的发展。然而，这两个进展几乎是平行的，几乎没有重叠。因此，连接模式的多重性和时间性质之间的相互作用知之甚少。在这里，我们的目标是通过引入一个随时间变化的多路复用网络模型来解决这个限制。我们感兴趣的是如何描述这两个属性影响传染过程。为此，我们研究SIS流行病模型展开在可比的时间尺度方面的多重网络的演变。我们研究分析和数值的流行阈值之间的重叠，和功能，每一层的函数。我们发现，层之间的重叠显着降低了流行阈值，特别是当重叠节点的时间激活模式是正相关的。此外，当各层之间的平均连接性非常不同时，传染动力学由连接更密集的层的特征驱动。在这里，流行病阈值相当于单层图的阈值，并且在驱动传染的层中，疾病的影响与重叠无关。然而，在传播动力学受其影响很大的其他层中，情况并非如此。本文的结果为描述真实网络的性质及其对传染现象的影响提供了又一步
2018-08-11 cs.SI physics.soc-ph
Generation of degree-correlated networks using copulas
复杂网络上的动态过程，如信息传播、创新扩散、连锁故障或传染病传播，都受到其底层拓扑结构的高度影响，例如，度-度相关性。在这里，我们引入连接的概念，以人为地生成随机网络与任意度分布和丰富的先验度度相关（或“关联”）结构。所提出的形式主义和相应的算法的准确性进行了数值验证。导出的网络集成可以系统地部署为适当的零模型，以揭示真实网络的拓扑结构与其上的动态之间的复杂相互作用。
2013-03-02 cs.SI math-ph math.MP
EINNs: Epidemiologically-informed Neural Networks
Georgia Institute of Technology（佐治亚理工学院）；Virginia Tech（弗吉尼亚理工大学）；University of Iowa（爱荷华大学）
我们介绍EINN，这是一个为流行病预测而设计的框架，它建立在机械模型提供的理论基础以及AI模型提供的数据驱动的可表达性以及它们摄取异构信息的能力之上。尽管神经预测模型在多项任务中取得了成功，但与流行趋势和长期预测密切相关的预测仍然是一个挑战。流行病学ODE模型包含的机制，可以指导我们在这两个任务，但是，他们有有限的能力，ingredient数据源和建模复合信号。因此，我们建议利用物理信息神经网络中的工作来学习潜在的流行病动态，并将相关知识转移到另一个神经网络，该神经网络摄取多个数据源并具有更合适的归纳偏差。与以前的工作相比，我们不假设完全动力学的可观测性，也不需要在训练过程中数值求解ODE方程。我们在美国所有州和HHS地区进行的COVID-19和流感预测的全面实验表明，我们的方法在短期和长期预测以及学习机械动力学方面优于其他非平凡的替代方案。
2023-01-11 cs.LG physics.soc-ph q-bio.PE
Limits of Friendship Networks in Predicting Epidemic Risk
感染在现实社会网络中的传播取决于两个过程的相互作用：网络的动态，其结构随着时间的推移而变化，根据个体之间的相遇，以及网络上的动态，其节点可以在相遇后相互感染。身体接触是传染病传播的最常见媒介，但由于收集成本高、不切实际或隐私敏感，有关接触的详细信息往往无法获得。我们问的是，社交网络中个体之间的友谊关系是否能成功预测谁有风险。使用一个流行的在线评论服务的数据集，我们建立了一个随时间变化的网络，它是用户和基于报告友谊的静态网络之间的物理接触的代理。通过计算机模拟，我们比较了由此产生的网络上的感染过程，并表明，虽然友谊网络上的距离与流行病风险相关，但如果感染是由身体接触驱动的，友谊提供了一个很差的识别风险个体的能力。这种限制不是由于感染的随机性，而是由于两个网络的结构差异。与在不同网络上传播的过程之间的宏观相似性相反，由边缘的两种定义确定的局部连通性的差异导致微观水平上的动态之间的显著差异。尽管突出的限制，我们表明，定期和相对不频繁的监测，真正的感染相遇网络允许正确的预测感染的友谊网络，并达到令人满意的预测精度。此外，友谊网络还提供宝贵的信息，在免疫预算有限的情况下，可有效控制流行病的爆发。
2015-10-27 cs.SI physics.data-an physics.soc-ph
