基于不完整信息估计网络上传播过程的结果：一种介观尺度方法
物理与社会
2018-08-01 v1
摘要
数据收集的最新进展促进了对时间分辨人类接近数据的获取，这些数据可方便地表示为个体间接触的时间网络。虽然此类数据对于研究信息或疾病在人群中的传播至关重要，但其常常存在不完整性，可能导致有偏的结论。因此，一个主要挑战是估计基于部分信息构建的时间网络上发生的传播过程的结果。为应对该问题，我们设计了一种基于非负张量分解（NTF）——一种来自多线性代数的降维技术——的方法。其核心思想是学习基于部分信息构建的时间网络的低维表示，调整它以考虑已知对网络上传播过程至关重要的时间和结构异质性属性，并由此构建与完整原始网络相似的替代网络。为测试我们的方法，我们考虑了若干人类接近网络，并在其上模拟数据丢失。在得到的局部网络上使用我们的方法，我们为每个网络构建了完整网络的替代版本。然后我们比较了在完整网络（未因数据丢失而改变）和替代网络上传播过程的结果。我们观察到使用替代网络获得的疫情规模与在完整网络上测量的规模吻合良好。最后，我们提出了当存在额外数据源以应对缺失数据问题时我们框架的扩展。
引用
@article{arxiv.1709.01806,
title = {Estimating the outcome of spreading processes on networks with incomplete information: a mesoscale approach},
author = {Anna Sapienza and Alain Barrat and Ciro Cattuto and Laetitia Gauvin},
journal= {arXiv preprint arXiv:1709.01806},
year = {2018}
}