sábado, 9 de julio de 2016

Identificación de difusores en redes complejas

Identificación de difusores influyentes en redes complejas



Nature Physics 6 
888–893 (2010) doi:10.1038/nphys1746


Redes retratan una multitud de interacciones a través del cual la gente se reúne, las ideas se propagan y las enfermedades infecciosas se propagan dentro de un sociedad 1, 2, 3, 4, 5. La identificación de los esparcidores '' más eficientes en una red es un paso importante para la optimización del uso de los disponibles recursos y garantizar la difusión más eficaz de información. Aquí nos muestran que, en contraste con la creencia común, hay circunstancias plausibles donde los mejores esparcidores no se corresponden con el personas 6 las más céntricas, 7, 8, 9, 10. En vez más altamente conectado o, nos encontramos con que los separadores más eficientes son los situados dentro del núcleo de la red tal como se identifica por el análisis 11 de descomposición de k-cáscara (k-shell), 12, 13, y que cuando múltiples difusores se consideran simultáneamente la distancia entre ellos se convierte en el parámetro crucial que determina la extensión de la difusión. Además, se muestra que las infecciones persisten en las cáscaras de alto-k de la red en el caso en el que recuperó las personas no desarrollan inmunidad. Nuestro análisis debe proporcionar una ruta para un diseño óptimo de las estrategias de difusión eficientes.


Figura 1: Cuando los cubos pueden no ser buenos difusores


Una representación esquemática de una red bajo la descomposición k-shell. Los dos nodos de grado k = 8 (azul y nodos amarillos) en esta red están en diferentes lugares: uno se encuentra en la periferia, (ks = 1), mientras que el otro concentrador está en el núcleo más íntimo de la red, es decir, que tiene la kS más grandes (ks = 3). b-d, la extensión de la eficiencia del proceso de propagación no puede predecirse con exactitud basa en una medida de la vecindad inmediata del nodo, tales como el grado k. Para la red de contactos de los pacientes hospitalizados (CNI), comparamos las infecciones procedentes de los nodos individuales que tienen el mismo grado k = 96 (los nodos A y B) o el mismo índice kS = 63 (los nodos A y C), con una probabilidad de infección β = 0,035 . En las parcelas correspondientes, los colores indican la probabilidad de que un nodo se infecta cuando la difusión se inicia en el origen correspondiente, siempre que esta probabilidad es mayor que 25%. Los resultados se basan en 10000 realizaciones diferentes para cada caso. En el primer caso, donde A tiene origen kS = 63, la difusión llega a un área mucho más amplia con más frecuencia, en contraste con origen B (kS = 26), donde la infección permanece en gran parte localizada en la vecindad inmediata de B. de dispersión es muy similar entre orígenes a y C, que tienen el mismo valor kS, aunque el grado de C es mucho menor que A. la importancia de la organización de la red también se pone de relieve cuando ReWire al azar la red (preservando el mismo grado para todos los nodos). En este caso, la imagen estándar se recupera: la extensión de la difusión y coincide ambos cubos contribuyen por igual en gran medida a la difusión (véase SI-Sección VI).



  1. Caldarelli, G. & Vespignani, A. (eds) Large Scale Structure and Dynamics of Complex Networks (World Scientific, 2007).
  2. Anderson, R. M.May, R. M. & Anderson, B. Infectious Diseases of Humans: Dynamics and Control (Oxford Science Publications, 1992).
  3. Diekmann, O. & Heesterbeek, J. A. P. Mathematical Epidemiology of Infectious Diseases: Model Building, Analysis and Interpretation (Wiley Series in Mathematical & Computational Biology, 2000).
  4. Keeling, M. J. & Rohani, P. Modeling Infectious Diseases in Humans and Animals (Princeton Univ. Press, 2008).
  5. Rogers, E. M. Diffusion of Innovation 4th edn (Free Press, 1995).
  6. Albert, R.Jeong, H. & Barabási, A-L. Error and attack tolerance of complex networks.Nature 406378482 (2000).
  7. Pastor-Satorras, R. & Vespignani, A. Epidemic spreading in scale-free networksPhys. Rev. Lett. 8632003203 (2001).
  8. Cohen, R.Erez, K.ben-Avraham, D. & Havlin, S. Breakdown of the Internet under intentional attackPhys. Rev. Lett. 8636823685 (2001).
  9. Freeman, L. C. Centrality in social networks: Conceptual clarificationSocial Networks 1,215239 (1979).
  10. Friedkin, N. E. Theoretical foundations for centrality measuresAm. J. Sociology 96,14781504 (1991).
  11. Bollobás, B. Graph Theory and Combinatorics: Proceedings of the Cambridge Combinatorial Conference in Honor of P. Erdös Vol. 35 (Academic, 1984).
  12. Seidman, S. B. Network structure and minimum degreeSocial Networks 5269287 (1983).
  13. Carmi, S.Havlin, SKirkpatrick, S.Shavitt, Y. & Shir, E. A model of Internet topology using k-shell decompositionProc. Natl Acad. Sci. USA 1041115011154 (2007).
  14. Ángeles-Serrano, M. & Boguñá, M. Clustering in complex networks. II. Percolation propertiesPhys. Rev. E 74056116 (2006).
  15. LiveJournal, http://www.livejournal.com.
  16. Liljeros, F.Giesecke, J. & Holme, P. The contact network of inpatients in a regional healthcare system. A longitudinal case studyMath. Population Studies 14269284 (2007).
  17. The Internet Movie Databasehttp://www.imdb.com.
  18. Hethcote, H. W. The mathematics of infectious diseasesSIAM Rev. 42599653 (2000).
  19. Castellano, C.Fortunato, S. & Loretto, V. Statistical Physics of Social DynamicsRev. Mod. Phys. 81591646 (2009).
  20. Shavitt, Y. & Shir, E. DIMES: Let the internet measure itselfACM SIGCOMM Comput. Commun. Rev. 357174 (2005).
  21. Molloy, M. & Reed, B. A critical point for random graphs with a given degree sequence.Random Struct. Algorithms 6161180 (1995).
  22. Hidalgo, C. A.Klinger, B.Barabasi, A-L. & Hausmann, R. The product space conditions the development of nationsScience 317482487 (2007).
  23. Hethcote, H. & Rogers, J. A. Gonorrhea Transmission Dynamics and Control (Springer-Verlag, 1984).
  24. Pastor-Satorras, R. & Vespignani, A. Immunization of complex networksPhys. Rev. E 65,036104 (2002).
  25. Dezsó, Z. & Barabási, A-L. Halting viruses in scale-free networksPhys. Rev. E 65055103(2002).
  26. Cohen, R.Erez, K.ben-Avraham, D. & Havlin, S. Resilience of the Internet to random breakdownsPhys. Rev. Lett. 8546264630 (2000).
  27. Newman, M. E. J. Assortative mixing in networksPhys. Rev. Lett. 89208701 (2002).
  28. Large Network visualization tool, http://xavier.informatics.indiana.edu/lanet-vi/.
  29. Alvarez-Hamelin, J. I.Dallásta, L.Barrat, A. & Vespignani, A. Large scale networks fingerprinting and visualization using the k-core decompositionAdv. Neural Inform. Process. Systems 184151 (2006).

No hay comentarios:

Publicar un comentario en la entrada