论文笔记——SIR在给定度数的随机图上的大数定律

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 $G^{\ast }$（multi graph：两节点之间包含方向相同的多条边）。所有的工作都在$G^{\ast }$上展开，之后拓展到简单图$G$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$i$至少含有$d_i$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$\beta$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$\rho$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

$S_t,I_t,R_t,X_S,X_I,X_R$依概率收敛为一个确定性函数。
$t\ge 0$时，设$S_t=n_S,I_t=n_I$以及$R_t=n_R$为对应的节点数目（有时亦称为 the quantities of interest），很明显$S_t$在减少，$R_t$在增加。对于上述模型，设$X_S,X_I,X_R$分别为模型中对应的half-edge的数目。
${\theta }_t$：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${\alpha }_S$为S类节点在总节点中的占比，$p_k$为$d=k$的S节点在总S节点中的占比，$\theta$为未配对的极限概率，无限接近${\theta }_t^k$。故S节点的极限占比为$v_S({\theta }_t)$。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$\beta$，模型初始化阶段S节点占比以及概率分布$p_k$有关（成正比）。当$\mathcal{R}>1$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$({\alpha }_S-v_s({\theta }_{\infty }))n+o(n)$；当$\mathcal{R}\le 1$时，图中至少有$n_S-S_{\infty }$个节点没有被感染，只有近似$O_p(1)$个节点被感染。