Mostrando entradas con la etiqueta método bayesiano. Mostrar todas las entradas
Mostrando entradas con la etiqueta método bayesiano. Mostrar todas las entradas

viernes, 29 de mayo de 2020

Clarificando regularidades estructurales de redes centro-periferia

Una tipología clarificada de estructura de periferia central en redes

Ryan J. Gallagher, Jean-Gabriel Young y Brooke Foucault Welles
ARXiv



La estructura núcleo-periferia, la disposición de una red en un núcleo denso y una periferia dispersa, es un descriptor versátil de varias redes sociales, biológicas y tecnológicas. En la práctica, los diferentes algoritmos de núcleo-periferia a menudo se aplican indistintamente, a pesar del hecho de que pueden producir descripciones inconsistentes de la estructura núcleo-periferia. Por ejemplo, dos de los algoritmos más utilizados, la descomposición de los núcleos k y el modelo clásico de dos bloques de Borgatti y Everett, extraen estructuras fundamentalmente diferentes: el último divide una red en un diseño binario de cubo y radio, mientras que el primero se divide en una jerarquía en capas. Introducimos una tipología centro-periferia para aclarar estas diferencias, junto con técnicas de modelado de bloques estocásticos bayesianos para clasificar las redes de acuerdo con esta tipología. Empíricamente, encontramos una rica diversidad de estructura núcleo-periferia entre las redes. A través de un estudio de caso detallado, demostramos la importancia de reconocer esta diversidad y situar las redes dentro de la tipología núcleo-periferia al realizar análisis específicos de dominio.


sábado, 29 de junio de 2019

Modelos epidémicos basados en estructuras de red simuladas

Inferencia de red a partir de la observación a nivel poblacional de epidemias

F. Di Lauro, J.-C. Croix, M. Dashti, L. Berthouze, I.Z. Beso


El paradigma de redes es ampliamente aceptado como el estándar de oro en el modelado de sistemas complejos tales como epidemias o actividad neuronal en el cerebro; sin embargo, en la mayoría de los casos, se desconoce la naturaleza exacta de la red en la que se desarrolla dicha dinámica. Esto ha motivado una cantidad significativa de trabajo en la inferencia de la red. Si bien una gran cantidad de trabajo se ocupa de inferir la estructura de red basada en datos temporales detallados a nivel de nodo, en este trabajo abordamos el escenario más desafiante de inferir la familia de la red subyacente cuando solo se dispone de datos de incidencia temporal a nivel de población. Un obstáculo clave es la alta dimensionalidad prohibitiva del modelo epidémico estocástico resultante. Para abordar esto, aproximamos el modelo susceptible-infectado-susceptible (SIS) en redes mediante un proceso de Nacimiento-Muerte, cuyas tasas codifican la estructura de la red subyacente y la dinámica de la enfermedad. Usando simulaciones sistemáticas, proponemos un modelo parsimonioso (tres parámetros) de estas tasas y mostramos que diferentes familias de redes bien conocidas se mapean en distintas regiones del espacio de parámetros de este modelo. Este resultado proporciona una caracterización a priori de diferentes familias de redes. Luego, dados los datos de la epidemia temporal a nivel de la población, empleamos un clasificador bayesiano para derivar distribuciones posteriores en diferentes familias de redes. Demostramos que la metodología propuesta produce excelentes resultados cuando se prueba en redes sintéticas y del mundo real. Nuestro marco se extiende fácilmente a muchas familias de redes y procesos de difusión y podría proporcionar un nuevo punto de referencia en la inferencia de redes a partir de datos a nivel de población.




Tópicos: Populations and Evolution (q-bio.PE); Physics and Society (physics.soc-ph)
Citar como: arXiv:1906.10966 [q-bio.PE]
(or arXiv:1906.10966v1 [q-bio.PE] para esta versión)