Ağ Yayılım Modelleri — SIR, SIS ve Bağımsız Kaskat
Network Diffusion Models (SIR, SIS, Independent Cascade) · Ayrıca şöyle bilinir: epidemic spreading models, compartmental models, influence propagation models, Ağ Yayılım Modelleri (SIR, SIS, Independent Cascade)
Ağ yayılım modelleri, bilgi, hastalık veya yeniliğin bağlı bir sistemde nasıl yayıldığını simüle eden bir grup kompartıman ve olasılıksal çerçevedir. Kermack ve McKendrick'in (1927) matematiksel epidemiyolojisine dayanan SIR ve SIS modelleri, düğümleri durumlara ayırır ve temas oranları ile iyileşme olasılıklarının yönlendirdiği geçişleri izler. Kempe, Kleinberg ve Tardos (2003) tarafından biçimlendirilen Bağımsız Kaskat ve Doğrusal Eşik modelleri, bu mantığı sosyal etkiye genişleterek, aktivasyonun bir ağda komşudan komşuya nasıl yayıldığını modeller.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Ağ yayılım modelleri, ilişkisel bir veri kümeniz olduğunda (veya makul bir ağ oluşturabiliyorsanız) ve bir durumun — hastalık, bilgi, davranış, yenilik — üzerinde nasıl yayıldığını tahmin etmek veya açıklamak istediğinizde uygundur. İkili veya sürekli düğüm-durum değişkenlerinde kesitsel veya zaman serisi yapılarında tahmin, açıklama ve öngörme görevlerine uygundurlar. Ağın en az 20 düğümü olmalıdır; daha az düğümle stokastik dinamikler anlamlı desenler üretmez. İletim ve iyileşme oranları verilerden tahmin edilebilir veya literatürden kalibre edilebilir olmalıdır. Ağ yapısı mevcut değilse veya yalnızca toplu (ilişkisel olmayan) veriler varsa, grafik katmanı olmayan kompartıman adi diferansiyel denklem modelleri daha basit bir alternatiftir.
Güçlü yönler & sınırlılıklar
- Yüksek bağlantılı merkezlerin yayılımı toplu modellerin öngördüğünden çok daha fazla hızlandırdığı gerçeğini yakalayarak ağ topolojisini açıkça hesaba katar.
- Esnek model ailesi — SIR, SIS, Bağımsız Kaskat, Doğrusal Eşik — hem biyolojik bulaşmayı hem de sosyal etki süreçlerini kapsar.
- Monte Carlo simülasyonu, yalnızca nokta tahminleri değil, sonuçların tam dağılımlarını üretir, bu da ilkeli belirsizlik ölçümünü sağlar.
- Etki maksimizasyonu çerçevesi (Kempe vd., 2003), pratik tohumlama stratejileriyle — sinyali en geniş şekilde yayan aktivasyonlarının düğümlerini belirleme — doğrudan bağlantı kurar.
- Bilinen veya tahmin edilen bir ağ yapısı gerektirir; anket veya günlük verilerinden geçerli bir grafik oluşturmak kendi ölçüm belirsizliğini getirir.
- Ortalama alan modellerinin homojen karışım varsayımı, heterojen gerçek dünya ağlarında geçerli olmayabilir; tam ağ simülasyonu daha doğrudur ancak hesaplama açısından daha ağırdır.
- Gözlemsel verilerden parametre tahmini (τ, γ) önemsizdir ve genellikle ek kalibrasyon veya Bayesci çıkarım adımları gerektirir.
- Stokastik sonuçlar çalıştırmalar arasında değişir; yeterli sayıda Monte Carlo tekrarı gereklidir, bu da büyük ağlar için hesaplama süresini artırır.
SSS
Ne zaman SIR, SIS veya Bağımsız Kaskat kullanmalıyım?
İyileşmenin kalıcı bağışıklık sağladığı — birçok bulaşıcı hastalıkta veya tek seferlik teknoloji benimsemelerinde olduğu gibi — bir düğümün iyileştikten sonra duyarlı duruma geri dönemediği durumlarda SIR kullanın. Durumun tekrarlayan olduğu veya bağışıklığın geçici olduğu, düğümlerin süresiz olarak duyarlı ve enfekte arasında döngüye girdiği mevsimsel hastalık veya söylenti yeniden maruz kalma gibi durumlarda SIS kullanın. Odak noktasının sosyal etki olduğu ve bir düğümün en fazla bir kez aktif olabileceği durumlarda Bağımsız Kaskat veya Doğrusal Eşik seçin; bu modeller, seçilen bir tohum kümesinden aktifleşen düğümlerin nihai sayısını en üst düzeye çıkarma hedefinin olduğu pazarlama, bilgi yayılımı veya davranış benimseme sorunlarına daha uygundur.
Kaç Monte Carlo tekrarı yeterlidir?
Evrensel bir kural yoktur, ancak pratikte literatürde yaygın olarak 100-1000 tekrar kullanılır, ağ boyutu arttıkça veya sonuç varyansı yüksek olduğunda daha fazla tekrar gereklidir. Okuyucuların kararlılığı değerlendirebilmesi için tekrar sayısını ve ana metriklerin (tepe enfeksiyonu, nihai aktivasyon oranı) varyansını bildirin.
Verilerden iletim oranı τ'yu nasıl tahmin ederim?
Zaman damgalı vaka verileriniz ve bilinen bir ağınız varsa, τ, kompartıman adi diferansiyel denklem sistemini en küçük kareler veya en büyük olabilirlik yöntemlerini kullanarak gözlemlenen eğrilere uydurarak veya Bayesci çıkarım yoluyla tahmin edilebilir. Sosyal etki ortamları için, kenar düzeyindeki aktivasyon olasılıkları bazen gözlemlenen etkileşim sıklıklarının orantılı olarak ayarlanır. Veri mevcut olmadığında, τ tipik olarak literatürden alınan makul bir aralık üzerinde duyarlılık analizinde değiştirilir.
Bu modeller ağırlıklı veya yönlendirilmiş ağlarda çalışabilir mi?
Evet. Kenar ağırlıkları heterojen iletim olasılıklarını kodlayabilir — güçlü bir şekilde bağlı bir çift, zayıf bir şekilde bağlı bir çiftten daha yüksek bir τ'ya sahiptir. Yönlendirilmiş kenarlar, A düğümünün B'yi enfekte edebildiği ancak B'nin doğrudan A'yı enfekte edemediği asimetrik etkiyi modeller. Her iki uzantı da tam ağ simülasyonunda uygulamak için basittir, ancak ortalama alan yaklaşımları daha az doğru hale gelir ve genellikle derece tabanlı heterojen ortalama alan veya çift yaklaşım yöntemleriyle değiştirilmesi gerekir.
Kaynaklar
- Kermack, W.O. & McKendrick, A.G. (1927). A Contribution to the Mathematical Theory of Epidemics. Proceedings of the Royal Society of London. Series A, 115(772), 700-721. DOI: 10.1098/rspa.1927.0118 ↗
- Kempe, D., Kleinberg, J., & Tardos, E. (2003). Maximizing the Spread of Influence through a Social Network. Proceedings of the Ninth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD), 137-146. DOI: 10.1145/956750.956769 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Network Diffusion Models (SIR, SIS, Independent Cascade). ScholarGate. https://scholargate.app/tr/network-analysis/network-diffusion
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Merkeziyet AnaliziAğ analizi↔ karşılaştır
- Topluluk TespitiAğ analizi↔ karşılaştır
- Bağlantı TahminiAğ analizi↔ karşılaştır
- Ağ Dayanıklılığı ve Kırılganlık AnaliziAğ analizi↔ karşılaştır
- Zaman Ağları AnaliziAğ analizi↔ karşılaştır