论文题目：Reconstructing networks from simple and complex contagions

论文地址：https://journals.aps.org/pre/abstract/10.1103/PhysRevE.110.L042301

期刊名称：Physical Review E

随着现代网络科学的发展，研究人员逐渐认识到，传染病、信息或社会行为的传播并非像经典传染模型所描述的那样简单。传统的流行病学模型通常假设个体之间的接触是均匀分布的，且通过单一接触即可实现传染。然而，越来越多的证据表明，社会系统的结构对传染结果有重要影响，例如传染的规模、传播的速度和次级感染的分布等。因此，推断和重建这些复杂的网络结构，成为网络科学中的一个基本问题。

近日发表于 Physical Review E 的一篇文章提出了一种无参数贝叶斯方法，试图通过节点状态的时间序列数据来重建网络结构，并同时推断出传染的动力学规则。与以往的研究不同，作者的方法不再假设传染过程是简单的或复杂的，而是允许传染过程在简单和复杂之间灵活变化。具体而言，作者使用了一种基于邻域的“易感–感染–易感”（SIS）模型，这一模型能够涵盖简单和复杂传染的多种特殊情况。

作者首先介绍了如何通过节点的二元状态时间序列，来推断网络的结构和传染的动力学规则。他们将传染函数表示为一个概率向量，结合贝叶斯推断框架，对网络中的感染概率进行了估计。通过这些推断，作者不仅能够重建出网络的连接结构，还能推测出影响传染的关键动力学参数，如感染率和恢复率。

接下来，作者通过实验验证了该方法的有效性。他们发现，网络的密度和传染过程的复杂性，都会影响网络的重建效果。具体来说，在网络密度较高或传染动力学趋于饱和的情况下，通过复杂传染模型观察网络更加容易重建；而在较稀疏的网络中，简单传染模型则表现更为优越。此外，作者还通过对比简单和复杂传染的重建效果，发现复杂传染模型在推断稠密子结构时具有更强的解析力，能够更好地识别网络中的密集连接。

最后，作者指出，未来的研究方向应包括进一步探索其他类型的传染模型，如相对阈值传染或超线性传染过程。这将有助于优化传染过程的建模，并提高网络结构推断的精度。这一研究不仅对流行病学中的传染病传播建模有重要应用价值，还为社交网络中的信息传播分析提供了理论基础。例如，面对高度传染性的疾病或病毒式传播的信息，复杂传染模型能够帮助我们更加精确地推断接触网络结构，从而为制定干预策略提供科学依据。

龚铭康 | 编译

6. 加入集智，一起复杂！