SIR在随机图上的大数定律
paper还在arxiv上,主要贡献如下:在初始种子节点个数随机的情况下,证明了SIR模型中存在一个阈值,该阈值可能与顶点的度以及传染率、恢复率有关,当超过了该阈值,SIR模型在给定度的随机图上会以一定的概率进行大规模传播,且已感染节点的占比会随时间收敛于确定性函数。这里我们重点研究模型的由来。
Model
首先,通过configuration model生成给定度序列的multigraph
G
∗
G^*
G∗(multi graph:两节点之间包含方向相同的多条边)。所有的工作都在
G
∗
G^*
G∗上展开,之后拓展到简单图
G
G
G上(这一点有理论支持)。
configuration model将节点的边分为两部分(half-edge),通过随机均匀匹配这些half-edge构建multigraph。这里将没匹配的那些half-edge称为“free half-edge”。
初始化阶段:假设每个节点
i
i
i至少含有
d
i
d_i
di条free half-edge,每条half-edge的类型取决于与其相连的节点的类型:S,I或R;
传染阶段:每条infective half-edge以概率
β
\beta
β与一个free half-edge随机均匀匹配为一条边,并将原来的free half-edge从free中移除。若匹配到的是suspective free half-edge,那么对应节点也变为I状态。同时,I类节点也会以概率
ρ
\rho
ρ恢复。
稳定阶段:当所有的half-edge中不存在free infective half-edge时,传播停止。即使这时依然会有I类型的节点存在,但是没关系,它们会在一段时间后转为R状态。至于模型中剩余的S和R类free half-edge,它们会自行配对,从而形成multigraph。
Result
S
t
,
I
t
,
R
t
,
X
S
,
X
I
,
X
R
S_t, I_t,R_t,X_S,X_I,X_R
St,It,Rt,XS,XI,XR依概率收敛为一个确定性函数。
t
≥
0
t \geq0
t≥0时,设
S
t
=
n
S
,
I
t
=
n
I
S_t=n_S, I_t=n_I
St=nS,It=nI以及
R
t
=
n
R
R_t=n_R
Rt=nR为对应的节点数目(有时亦称为 the quantities of interest),很明显
S
t
S_t
St在减少,
R
t
R_t
Rt在增加。对于上述模型,设
X
S
,
X
I
,
X
R
X_S,X_I,X_R
XS,XI,XR分别为模型中对应的half-edge的数目。
θ
t
\theta_t
θt:S half-edge在时间t内没有同I类half-edge进行匹配的极限概率。定义函数如下:
其中
α
S
\alpha_S
αS为S类节点在总节点中的占比,
p
k
p_k
pk为
d
=
k
d=k
d=k的S节点在总S节点中的占比,
θ
\theta
θ为未配对的极限概率,无限接近
θ
t
k
\theta_t^k
θtk。故S节点的极限占比为
v
S
(
θ
t
)
v_S(\theta_t)
vS(θt)。那么S half-edge的数目为:
总的half-edge数目为:
这里是因为一条边消失的强度是两条边的两倍。其余half-edge的数目为:
……
直接展示结果吧:
最开始提到的阈值便是这个。That is,当感染率
β
\beta
β,模型初始化阶段S节点占比以及概率分布
p
k
p_k
pk有关(成正比)。当
R
>
1
\mathcal{R}\gt 1
R>1时,SIR模型在给定度的随机图上会以一定的概率进行大规模传播,且当模型中传播稳定时,已感染节点的数目为
(
α
S
−
v
s
(
θ
∞
)
)
n
+
o
(
n
)
(\alpha_S-v_s(\theta_{\infty}))n+o(n)
(αS−vs(θ∞))n+o(n);当
R
≤
1
\mathcal{R} \leq 1
R≤1时,图中至少有
n
S
−
S
∞
n_S-S_{\infty}
nS−S∞个节点没有被感染,只有近似
O
p
(
1
)
O_p(1)
Op(1)个节点被感染。