A Bayesian generative neural network framework for epidemic inference problems
Politecnico di Torino(都灵理工大学)
传染病在接触网络上传播的缺失信息的重建在预防和遏制策略中是必不可少的。识别和警告有传染性但无症状的个体(即,接触者追踪)、众所周知的零病人问题或结构化群体中传染性值的推断是重要的流行病推断问题的例子。由于可能的流行级联的数量随着所涉及的个体数量呈指数级增长,并且其中只有几乎可以忽略的子集与观察结果相符(例如,医学测试),接触网络中的流行病推断提出了令人难以置信的计算挑战。我们提出了一个新的生成神经网络框架,学习生成最可能的感染级联与观察兼容。所提出的方法实现了更好的(在某些情况下,显着更好)或现有的方法在所有的问题,考虑在合成和真实的接触网络的结果。鉴于其通用性,明确的贝叶斯和变分性质,所提出的框架铺平了道路,以解决基本的推理流行病问题,在小型和中型的真实情况下,如在工作场所和医院的感染传播的高精度。
2022-11-18 cond-mat.stat-mech cs.AI cs.LG
SIR-Hawkes: Linking Epidemic Models and Hawkes Processes to Model Diffusions in Finite Populations
在在线信息扩散建模的统计工具中,流行病模型和Hawkes点过程都是流行的选择。前者起源于流行病学,认为信息是一种病毒性传染病,传播到网络用户群体中。后者植根于物理学和金融学,将个人行为视为连续时间中的离散事件,并根据事件序列的自激性质调节事件的速率。在这里,我们在这两个框架之间建立了一个新的联系。也就是说,扩展霍克斯模型中的事件率与易感-感染-感染(SIR)模型中的新感染率相同,在边缘化恢复事件后-霍克斯过程中未观察到。这一结果铺平了道路,适用于SIR霍克斯开发的工具,反之亦然。它还导致了HawkesN,这是Hawkes模型的推广,它考虑了有限的人口规模。最后,我们推导出HawkesN的级联大小的分布,随机SIR的方法的启发。这样的分布提供了细致入微的解释一般的不可预测性的流行:扩散级联大小的分布往往有两个模式,一个对应于大级联大小和另一个约为零。
2018-02-21 cs.SI physics.soc-ph
Approximate Identification of the Optimal Epidemic Source in Complex Networks
我们考虑的问题,确定通过网络传播的流行病的来源,从一个完整的观察网络的快照中的感染节点。以前的工作对这个问题往往采用几何,光谱或启发式的方法来确定源,与树是最研究的网络拓扑结构。我们采取一个完全统计的方法,并推导出新的递归计算贝叶斯最优解,在一个易感染(SI)的流行病模型。我们的分析是时间和速率无关的,并适用于一般的网络拓扑结构。然后,我们提供了两个易于处理的算法来解决这些递归,平均场近似和贪婪的方法,并评估其性能的真实和合成网络。真正的网络远非树状网络,重点将放在具有高传递性的网络上,例如社交网络和具有社区的网络。我们表明,在这样的网络上,我们的方法显着优于几何和光谱中心性措施,其中大多数表现并不比随机猜测。贪婪近似和平均场近似都可以扩展到大型稀疏网络。
2019-06-12 cs.SI physics.soc-ph stat.AP
Scaling Expected Force: Efficient Identification of Key Nodes in Network-based Epidemic Models
本文针对期望力中心性计算成本高的问题,提出两种并行可扩展算法,并通过GPU实现将计算规模扩展至4400万条边的网络,实现最高300倍加速。
2023-06-01 cs.DS cs.SI
Epidemic Model-based Network Influential Node Ranking Methods: A Ranking Rationality Perspective
影响力节点排序方法(Influential Node Ranking Methods,INRM)的研究主要集中在技术细节上,但对如何验证节点的影响力这一基本问题缺乏深入研究。与级联失效、线性阈值等传统验证模型相比,流行病模型的应用更为广泛。因此,我们对81个基于流行病模型的INRM的初步研究进行了调查,并分析了我们在工作中定义的能力和正确性。本文将INRM使用的网络分为4类,将用于分析网络的INRM分为7类,并从排序合理性的角度定义了评价INRM的能力和正确性两个评价指标集。我们还讨论了用于评估INRM的特定现实网络,以及不同INRM在特定网络中对节点进行排名的能力和正确性。据我们所知,这是第一次旨在系统总结INRM的能力和正确性的调查。我们的研究结果可以帮助从业者和研究人员选择和比较INRM,并确定研究差距。
2023-03-23 cs.SI
Cascade Size Distributions: Why They Matter and How to Compute Them Efficiently
Harvard T.H. Chan School of Public Health(哈佛陈曾熙公共卫生学院);Harvard Medical School(哈佛医学院)
级联模型是理解、预测和控制流行病传播和信息传播的核心。相关的优化,包括影响力最大化、模型参数推断或疫苗接种策略的开发,在很大程度上依赖于从模型中采样。这要么是低效的,要么是不准确的。作为替代方案,我们提出了一个有效的消息传递算法,计算加权有向网络和推广的独立级联模型的级联大小的概率分布。我们的方法是精确的树,但可以应用于任何网络拓扑结构。它很好地近似了局部树状网络,可以扩展到大型网络,并且可以在更密集的网络上获得令人惊讶的良好性能,因为我们也可以在真实世界的数据上进行扩展。
2020-12-16 cs.AI cs.SI physics.soc-ph
Revealing latent factors of temporal networks for mesoscale intervention in epidemic spread
在时间网络中,流行病缓解的传统观点取决于识别具有特定特征或网络角色的节点。然而,随之而来的基于个人的控制策略,很难在实践中进行,并忽略了重要的拓扑和时间模式之间的相关性。在这里,我们采用中观的视角,并提出了一个原则性的框架,以确定在多个尺度的集体特征,并排名其重要性的流行病传播。我们使用张量分解技术来建立一个时间网络的附加表示的介观结构,如凝聚力集群和时间本地化的混合模式。这种表示允许确定单个介观结构对流行病传播的影响,并评估去除所选结构的有针对性的干预措施的效果。我们说明了这种方法使用高分辨率的社交网络数据在学校面对面的互动,并表明我们的方法提供了有效的中尺度干预措施的设计。
2015-01-12 cs.SI physics.soc-ph
Generalized threshold-based epidemics in random graphs: the power of extreme values
自举渗流是图中的一个众所周知的激活过程,其中当节点具有至少$r$活动邻居时,节点变为活动的。这种过程最初是在规则结构上研究的,最近也在随机图的背景下进行了研究,在随机图中,它可以作为各种级联的简单模型,例如在大型社交网络上传播思想,趋势,病毒内容等。特别地,已经表明,在$G(n,p)$中,最终活动集可以表现出对于子线性数量的种子的相变。在本文中,我们提出了一个独特的框架来研究更广泛的一类图模型和流行病过程的类似的次线性相变。具体来说,我们考虑i)一个广义版本的自举渗流在$G(n,p)$随机激活阈值和随机节点到节点的影响; ii)不同的随机图模型,包括图与给定的度序列和图的社区结构(块模型)。我们工作的共同点是显示临界种子集大小对分布极值的惊人敏感性,这使得一些系统非常容易受到大规模爆发的影响。我们验证我们的结果运行模拟合成和真实的图形。
2016-03-15 cs.SI physics.soc-ph
Back to the Past: Source Identification in Diffusion Networks from Partially Observed Cascades
当一条恶意信息在信息扩散网络中变得猖獗时,我们是否可以识别最初将该信息引入网络的源节点并推断其启动时间?能够这样做对于遏制恶意信息的传播和减少潜在的损失至关重要。这是一个非常具有挑战性的问题,因为通常只观察到不完整的痕迹,我们需要将不完整的痕迹展开到过去,以查明来源。在本文中,我们通过开发一个两阶段框架来解决这个问题,该框架首先基于历史扩散轨迹学习连续时间扩散网络模型,然后通过最大化学习模型下轨迹的可能性来识别不完整扩散轨迹的来源。在大型合成数据和真实数据上的实验表明,我们的框架可以有效地回到过去,并比以前的最先进技术更准确地确定源节点及其启动时间。
2015-01-26 cs.SI physics.soc-ph
Identifying Influential Spreaders of Epidemics on Community Networks
一个有效的战略,以确定有影响力的传播者,可用于控制人口中的流行病将是相当重要的。一般来说,种群的特征在于它的社区结构和社区上的节点之间的弱联系的异质分布。在这里提出了一个社区网络的战略,能够确定有影响力的传播者,加速疾病的传播。在这种策略中,有影响力的传播者作为目标节点。这是基于这样的想法,即在k壳分解中,弱关系和强关系被分开处理。将该策略应用于由在线社交网络构建的经验网络,结果表明该策略比其他策略更准确。它的有效性源于邻居之间的连接模式,并成功地确定了重要的节点。此外,即使网络结构存在错误,该策略的性能也保持稳健。
2016-01-28 cs.SI physics.soc-ph stat.ME
Inference of a Rumor's Source in the Independent Cascade Model
Universität Hamburg(汉堡大学);TU Dortmund University(多特蒙德工业大学);TU Hamburg(汉堡工业大学)
我们考虑Kempe等人推广的谣言传播或流行病过程的所谓独立级联模型。[2003年]。在这个模型中,网络中的一小部分节点是谣言的来源。在离散时间步长中,每个被通知的节点以概率$p$“感染”其每个未被通知的邻居。虽然在文献中研究了这个过程的许多方面,但对推理问题知之甚少:给定网络中的一些受感染节点,我们能否了解谣言的来源?在流行病学的背景下,这个问题通常被称为零病人问题。它属于更广泛的一类问题,其中目标是推断底层传播模型的参数,参见例如,Lokhov [NeurIPS'16]或Mastakouri等人[NeurIPS'20]。在这项工作中,我们提出了一个最大似然估计的谣言的来源,给定一个快照的过程中的一组活动节点$X$后$t$步骤。我们的研究结果表明,对于无圈图,似然估计经历了一个非平凡的相变作为一个功能$t$。我们对两类主要的无环网络,即$d$ -正则树和Galton-Watson树进行了严格的分析,并通过实验验证了我们的算法在各种一般网络中都能很好地工作.
2022-05-24 cs.IT cs.LG cs.SI
Classifying Latent Infection States in Complex Networks
识别网络中节点感染状态的算法对于理解和遏制感染至关重要。然而,通常只有相对较小的一组节点具有已知的感染状态。此外,每个节点被感染的时间长度也是未知的。这种缺失的数据-大多数节点的感染状态和未观察到的感染节点的感染时间-对真实世界级联的研究提出了挑战。在这项工作中,我们开发的技术,以确定潜在的感染节点中存在丢失的感染时间和状态数据。基于简单的可感染流行病模型预测的可能的流行病路径,我们提出了一个度量(感染介数)来揭示这些未知的感染状态。我们使用机器学习算法的实验结果表明,感染介数是识别潜在感染节点的最有效特征。
2014-01-31 cs.SI physics.soc-ph
Degree-targeted cascades in modular, degree-heterogeneous networks
级联激活的动态,如舆论的快速变化和疾病流行的爆发,对代理之间的连接模式有着至关重要的依赖。我们研究了模块化度异构网络中的级联动力学,并考虑了模块内播种策略对模块间传播的影响。具体来说,我们建立,虽然激活度最高的节点是更有效的比随机选择在本地增长的级联,有一个临界水平的模块间的连接所需的级联从一个模块到另一个,无论播种策略。对于每个模块具有相同的度分布并且所有模块对具有相同的模块间连通性的情况,我们提出了这一陈述的分析证明,而我们的模拟结果表明其在更一般的情况下的有效性,包括模块环。有趣的是,我们发现在由两个模块组成的网络上,这个临界水平主要由\emph{alter}模块的度分布决定,而不是种子模块。我们的分析方法扩展了格里森开发的方法,但能够捕捉不同的播种策略,每个模块只使用一个动态变量,即条件暴露概率。我们的工作表明,全球级联的可能性敏感地依赖于模块间的连接,而不是模块内的播种策略。这表明,例如,对模块间连接性的轻微改变可以是促进或抑制全球级联的可行干预战略。
2022-01-11 cs.SI nlin.AO physics.soc-ph
Influential spreaders for recurrent epidemics on networks
识别哪些节点是网络上传播过程的最佳种子是一个重要的问题,最近引起了人们的极大兴趣。虽然活动主要集中在非经常性类型的动态,在这里,我们考虑易感-感染-易感(SIS)传播模型的问题,其中在一个节点中播种的爆发可以引发无限的活动雪崩。我们应用Larremore等人提出的网络雪崩理论框架[Phys. Rev. E 85,066131(2012)],以获得对高于和低于流行阈值的单个节点的传播影响(雪崩持续时间和雪崩大小)的详细定量预测。当该方法与退火网络近似相补充时,我们获得了接近过渡的感兴趣的观测量的完全解析表达式,突出了度中心的作用。这些结果与幂律度分布的合成网络上进行的数值模拟的比较显示,一般在亚临界状态下有很好的一致性,从而留下一些问题,为进一步研究相对于超临界区域。
2020-07-16 cond-mat.stat-mech cs.SI physics.soc-ph
Multiple Infection Sources Identification with Provable Guarantees
如果网络中出现了级联的后果,即在流行病爆发或谣言/蠕虫/病毒传播后出现了一组“受感染”的节点$V_I$,我们如何推断级联的来源?解决这个具有挑战性的问题对于计算机取证,漏洞分析和风险管理至关重要。尽管最近对这个问题的兴趣,大多数现有的工作只集中在单一的源检测或简单的网络拓扑结构,例如树或网格。在本文中,我们提出了一种新的方法来识别感染源,通过搜索一个种子集$S$,最小化之间的级联从$S$和$V_I$,给定的一组受感染的节点的\emph{symmetric difference}。我们的主要结果是一个近似算法,称为SISI,以确定感染源\emph{without the prior knowledge on the number of source nodes}。据我们所知,SISI是第一个用\emph{provable guarantee}算法解决一般图问题的算法。它返回具有高概率的$\frac{2}{(1-ε)^2}Δ$近似解,其中$Δ$表示$V_I$中可能感染网络中单个节点的最大节点数。我们在真实网络上的实验显示了我们的方法和SISI在检测真实源方面的优越性,将F1度量从最先进的NETSLEUTH的几个参数提高到大约50%。
2016-08-23 cs.SI
Continuous Models of Epidemic Spreading in Heterogeneous Dynamically Changing Random Networks
复杂随机网络中传播过程的建模在理解和预测流行病或谣言传播等许多真实现象中起着至关重要的作用。这种系统的动态可以通过图上的蒙特卡罗模拟或通过常微分方程(ODE)在算法上表示。尽管在网络建模领域取得了许多成果,但选择模型动态的最佳计算表示仍然是一个挑战。虽然封闭形式的描述通常是直接推导出来的,但它通常不能解析求解;因此,网络动力学需要常微分方程的数值解或直接对网络进行蒙特卡罗模拟。此外,Monte-Carlo模拟和ODE解是不等价的,因为ODE产生确定性解,而Monte-Carlo模拟本质上是随机的。尽管最近在蒙特卡洛模拟的一些优势,特别是在实施的灵活性,计算成本的ODE解决方案是低得多,并支持准确和详细的输出分析,如不确定性或灵敏度分析,参数识别等。在本文中,我们提出了一种新的方法来模拟复杂的随机异构网络中的传播过程,使用系统的非线性常微分方程。我们成功地应用这种方法来预测艾滋病毒/艾滋病在性网络中传播的动态,并将其与历史数据进行比较。
2012-11-19 cs.SI physics.soc-ph
Finding Patient Zero via Low-Dimensional Geometric Embeddings
Salzburg University of Applied Sciences(萨尔茨堡应用科学大学);TU Hamburg(汉堡工业大学)
本文提出利用低维几何嵌入方法在独立级联模型中重建疫情传播源,通过Johnson-Lindenstrauss投影将接触网络嵌入低维空间,并以感染节点中心引力最近的节点作为感染源估计。
2026-04-17 cs.CG cs.SI
Threshold model of cascades in temporal networks
阈值模型试图解释时尚和观点传播等社会影响的后果。与流行病模型一起,它们构成了社会传播过程的主要理论框架。在静态网络的阈值模型中,如果一个个体的邻居中有一小部分人改变了自己的状态,那么这个个体就会改变自己的状态。当接触模式的时间方面存在强相关性时,将系统表示为时间网络是有用的。在这样的系统中,不仅明确地表示接触,而且明确地表示接触的时间。有一个共识,即突发的时间模式减缓疾病的传播。然而,正如我们将看到的,这并不是阈值模型的普遍真理。在这项工作中,我们提出了一个扩展的Watts的经典阈值模型的时间网络。我们这样做是假设一个代理人受到过去某个时间的接触的影响。即,个体受到时间窗口内的接触的影响。除了作为接触分数的阈值之外,我们还调查了时间窗口内的接触数量作为影响的基础。为了阐明模型的行为,我们在真实和随机的经验接触数据集上运行模型。
2012-09-07 cs.SI physics.soc-ph
Finding Super-spreaders in Network Cascades
本文研究如何仅用常数次网络级联的感染时间识别高度超级传播者,证明度数大于 n^{3/4} 的顶点可估计,而度数小于 n^{1/2} 的顶点需近对数次级联,并揭示其与学习整棵树的级联复杂度几乎一致。
2024-05-04 cs.IT cs.SI math.IT
Vital nodes identification in complex networks
真实的网络具有异构性,节点在结构和功能上扮演着不同的角色。关键节点的识别对于控制流行病的爆发、为电子商务产品做广告、预测流行的科学出版物等都具有重要的意义。关键节点的识别越来越受到计算机科学和物理界的关注,其算法从简单的近邻计数到复杂的机器学习和消息传递方法。在这篇综述中,我们澄清了概念和指标,分类的问题和方法,以及审查的重要进展,并描述了最先进的状态。此外,我们提供了广泛的实证分析,比较知名的方法在不同的真实网络,并强调未来的发展方向。尽管强调基于物理学的方法,但语言的统一和跨领域方法的比较将在不久的将来引发跨学科的解决方案。
2016-07-05 cs.SI physics.soc-ph
Influencers identification in complex networks through reaction-diffusion dynamics
网络科学、营销研究和创新扩散理论中的一个关键思想是,一小群节点--被称为影响者--对网络中的社会传染和流行过程具有最大的影响。尽管在社会经济和生物网络的影响者识别问题的长期利益,还没有达成协议,这是最好的识别策略。最先进的策略通常基于启发式中心性度量或仅适用于特定网络拓扑或特殊动态机制的分析参数。在这里,我们利用最近引入的随机游走有效距离-一个拓扑度量,几乎完美地估计网络上扩散扩散过程的到达时间-引入一个新的中心性度量,它量化了一个节点与其他节点的接近程度。我们发现,新的中心性指标显着优于国家的最先进的指标,在检测全球传染过程的影响。我们的研究结果揭示了网络有效距离对影响者识别的重要作用,并使我们更接近问题的最优解。
2018-11-14 cs.SI physics.soc-ph
Backward and Forward Inference in Interacting Independent-Cascade Processes: A Scalable and Convergent Message-Passing Approach
本文针对网络上两个相互作用的独立级联扩散过程,提出一种基于因子图变换和信念传播的可扩展消息传递算法,用于同时进行源头追溯(后向推断)和传播范围估计(前向推断),并能在任意拓扑图上收敛。
2023-10-29 cs.SI math.ST stat.ML
Weighted cycle-based identification of influential node groups in complex networks
School of Cyber Science and Technology, University of Science and Technology of China(中国科学技术大学网络空间安全学院)
本文提出加权环(WCycle)指标,融合环结构与边权重识别分散多样的关键节点群,以降低影响力冗余,并在六个真实网络实验中验证其优于五种基准方法的传播效率、结构区分度和成本效益。
2025-03-15 cs.IT cs.SI math.IT