关键词：复杂网络，传染过程，多主体相互作用，数据挖掘
论文题目：Distinguishing Simple and Complex Contagion Processes on Networks
论文来源：Physics Review Letters
斑图链接：https://pattern.swarma.org/paper/42285132-0bda-11ee-a270-0242ac17000d
飞沫携带病毒传染给邻人，信息在交流间传递，时尚潮流在模仿间影响着社会行为……这些都是我们熟知的网络上的简单传染过程（simple contagion process）。简单传染过程每次只涉及一种联系；而与之相对应的复杂传染过程（complex contagion process）涉及多重交互作用。
过往的网络科学研究，无论是简单传染还是复杂传染，大多都是从研究机制出发，建模研究交互网络的结构如何影响传播。这些研究关注过程的实现，研究过程的现象学（phenomenology）以及这些现象如何依赖于网络结构。或是应用深度学习技术处理数据，比较不同网络结构上的传播过程。然而，我们仍然缺乏对区分简单过程和复杂过程的主要特征的明确识别。
即便是我们能够获得实证经验的数据，要想从中挖掘出潜在的传染机制也不容易。不同现象的基本传播机制不同。描述传染病的传播，可能简单的传染模型就足够了，易感者和感染者之间单一的相互作用就足以传染；但描述行为的社会传染时，同伴影响和强化机制就不容忽视，这涉及到多个主体的相互作用。
最近发表在 Physics Review Letters 的这篇文章提出一种方法，可以从数据中挖掘潜在的传染机制，根据有限的信息分类辨认传染机制，有助于提高我们对传播过程的理解。该方法基于节点被感染的顺序以及节点间的局部拓扑相关关系（correlations with local topology）。这种相关关系在简单传染过程中有所不同：有阈值机制（threshold mechanisms）和群体效应（group effects，高阶交互）。
他们通过观察网络上的单个传染过程实例，确定它是简单传染过程还是复杂传染过程，是否涉及阈值机制或群体效应。
图1. 第一行是各传染过程中的玩具模型，描述从黑色节点到有色节点的传染过程；第二行是各传染过程在工作数据集上的数值散点图。
图2. 工作数据集上的结果。(a)、(c)分别为两种不同的相关性。
图3. 四种类别的混淆矩阵。S（simple，简单机制），C-S（complex simplicial，复杂单纯形），C-NL（complex NLH，复杂非线性超图），C-T（complex threshold，复杂阈值），C-HO（complex higher-order，复杂高阶）。
推荐阅读
