การวิเคราะห์การแพร่กระจายในเครือข่าย
- ผู้เสนอ
- Kermack, W. O. & McKendrick, A. G.
- ปี
- 1927 (epidemic roots); network formalization 1990s–2000s
- ประเภท
- Simulation / analytical model
- กลุ่มวิธี
- Network science
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิเคราะห์การแพร่กระจายในเครือข่าย (Network diffusion analysis) เป็นแบบจำลองที่อธิบายว่าข้อมูล โรค พฤติกรรม หรือนวัตกรรมแพร่กระจายไปทั่วกราฟของโหนดและเส้นเชื่อมได้อย่างไร โดยอาศัยทฤษฎีโรคระบาดแบบดั้งเดิม (SI, SIR, SIS) และวิทยาการเครือข่ายสมัยใหม่ เพื่อติดตามว่าโหนดใดติดเชื้อ เกิดขึ้นเร็วเพียงใด และการแพร่กระจายนั้นจะขยายวงกว้างไปทั่วทั้งระบบหรือจะค่อยๆ หายไปในระดับท้องถิ่น
แนวคิดเบื้องหลังวิธีการ
ลองนึกภาพข่าวลือที่แพร่กระจายผ่านเครือข่ายสังคม: เริ่มต้นจากคนคนหนึ่ง ส่งต่อไปยังผู้ติดต่อของเขา และค่อยๆ แผ่ออกไป การที่ข่าวลือจะไปถึงทุกคนหรือไม่นั้นขึ้นอยู่กับความหนาแน่นของการเชื่อมต่อระหว่างโหนด ความสำคัญของบุคคลที่เริ่มแพร่กระจาย และความเร็วที่ผู้คนหยุดการแพร่กระจาย การวิเคราะห์การแพร่กระจายในเครือข่ายทำให้แนวคิดนี้เป็นรูปธรรม โดยการสร้างแผนที่โครงสร้างของเครือข่าย (ใครเชื่อมต่อกับใคร) กำหนดอัตราการแพร่เชื้อและการฟื้นตัว จากนั้นจึงจำลองหรือแก้สมการเชิงอนุพันธ์เพื่อติดตามกระบวนการแพร่กระจายทั้งหมดเมื่อเวลาผ่านไป
ประวัติศาสตร์
รากฐานทางคณิตศาสตร์สืบย้อนไปถึงสมการ SIR ของ Kermack และ McKendrick ในปี 1927 สำหรับโรคติดเชื้อ การประยุกต์ใช้กับเครือข่ายสังคมและข้อมูลเร่งตัวขึ้นหลังจากการค้นพบของ Watts และ Strogatz (1998) ที่แสดงให้เห็นว่าโครงสร้างแบบ small-world ช่วยลดเกณฑ์การแพร่ระบาดลงอย่างมาก และ Barabasi และ Albert (1999) แสดงให้เห็นว่าเครือข่ายแบบ scale-free ก็มีความเปราะบางในลักษณะเดียวกัน ในช่วงปี 2000 การวิเคราะห์การแพร่กระจายในเครือข่ายกลายเป็นมาตรฐานในสังคมวิทยา (การแพร่กระจายนวัตกรรม) ระบาดวิทยา (แบบจำลองเครือข่ายการติดต่อ) และสังคมศาสตร์เชิงคำนวณ โดยเชื่อมโยงทฤษฎีกราฟและระบบพลวัต
ควรใช้เมื่อใด
ใช้การวิเคราะห์การแพร่กระจายในเครือข่ายเมื่อคำถามวิจัยเกี่ยวข้องกับวิธีการแพร่กระจายของบางสิ่งบางอย่างผ่านระบบที่มีความสัมพันธ์กัน เช่น การระบาดของโรค ข้อมูลเท็จ การยอมรับนวัตกรรม ความล้มเหลวแบบลูกโซ่ในโครงสร้างพื้นฐาน หรือสัญญาณควบคุมยีน เหมาะสำหรับทั้งเครือข่ายเชิงประจักษ์ (ข้อมูลการติดต่อจริง) และแบบจำลองเครือข่ายสังเคราะห์ อย่าใช้เมื่อไม่มีโครงสร้างความสัมพันธ์ที่มีความหมายระหว่างหน่วยต่างๆ (ให้ใช้ข้อมูลอนุกรมเวลาหรือการถดถอยแทน) เมื่อเครือข่ายมีขนาดเล็กมาก (น้อยกว่าประมาณ 20 โหนด) ซึ่งผลกระทบแบบสุ่มมีอิทธิพลมากและสมการรวมอาจทำให้เข้าใจผิด หรือเมื่อพลวัตการแพร่กระจายไม่เป็นที่ทราบแน่ชัดและไม่สามารถประมาณค่าได้ ในกรณีนั้นผลลัพธ์จะคาดเดาได้
ข้อจำกัดและข้อควรพิจารณา
- ต้องการความรู้เกี่ยวกับโครงสร้างเครือข่าย ข้อมูลเส้นเชื่อมที่ขาดหายไปหรือไม่ถูกต้องจะทำให้การคาดการณ์การแพร่กระจายเกิดความเอนเอียงอย่างมาก
- แบบจำลองเชิงกลุ่มสมมติว่ามีการผสมผสานกันอย่างสม่ำเสมอภายในกลุ่ม ซึ่งอาจไม่สมจริงสำหรับกลุ่มขนาดเล็กหรือกลุ่มที่มีโครงสร้าง
- การประมาณค่าพารามิเตอร์ (beta, gamma) ต้องการข้อมูลอุบัติการณ์อนุกรมเวลาซึ่งมักจะไม่มีให้หรือข้อมูลไม่สมบูรณ์
- ต้องใช้การคำนวณสูงสำหรับเครือข่ายขนาดใหญ่มากเมื่อจำเป็นต้องมีการจำลองแบบ Monte Carlo
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- จำลองกลไกการแพร่กระจายโดยตรง แทนที่จะเพียงแค่หาความสัมพันธ์ของผลลัพธ์ ทำให้สามารถใช้เหตุผลเชิงสาเหตุเกี่ยวกับการแทรกแซงได้
- จับความแตกต่างหลากหลาย: เครือข่ายจริงที่มีโหนดศูนย์กลางก่อให้เกิดพลวัตที่แตกต่างกันอย่างมีนัยสำคัญเมื่อเทียบกับกราฟแบบสุ่ม ซึ่งแบบจำลองทางสถิติล้วนๆ ไม่สามารถจับได้
- อนุญาตให้จำลองสถานการณ์สมมติ (counterfactual simulation) เช่น จะเกิดอะไรขึ้นหากเราฉีดวัคซีนให้กับโหนดที่มีค่า betweenness สูงสุด 5 อันดับแรก แทนที่จะเป็นโหนดแบบสุ่ม
- สามารถนำไปประยุกต์ใช้ได้ในหลากหลายสาขาวิชา: ระบาดวิทยา สังคมวิทยา วิทยาการคอมพิวเตอร์ เศรษฐศาสตร์ และชีววิทยา ล้วนใช้กรอบการทำงานที่เป็นทางการเดียวกัน
- สามารถปรับให้เข้ากับข้อมูลอนุกรมเวลาเชิงประจักษ์เพื่อประมาณอัตราการแพร่เชื้อและจำนวนการแพร่พันธุ์พื้นฐานได้
การประยุกต์ใช้
- การสร้างแบบจำลองการแพร่กระจายของโรคติดเชื้อผ่านเครือข่ายการติดต่อเพื่อออกแบบกลยุทธ์การฉีดวัคซีน
- การติดตามการแพร่กระจายของข้อมูลเท็จหรือเนื้อหาไวรัลบนแพลตฟอร์มโซเชียลมีเดีย
- การศึกษาการแพร่กระจายของการยอมรับนวัตกรรมและเทคโนโลยีในเครือข่ายองค์กรหรือตลาด
- การวิเคราะห์ความล้มเหลวแบบลูกโซ่ในโครงข่ายไฟฟ้า การแพร่กระจายของวิกฤตการณ์ทางการเงินในเครือข่ายธนาคาร หรือการแพร่กระจายของความผิดพลาดในระบบคอมพิวเตอร์แบบกระจาย
- การสร้างแผนที่การแพร่กระจายของสัญญาณควบคุมยีนในเครือข่ายปฏิสัมพันธ์ทางชีววิทยา
- การระบุโหนดเริ่มต้นที่เหมาะสมที่สุดสำหรับการตลาดแบบไวรัลหรือแคมเปญสาธารณสุข
วิธีการทำงาน
วิธีการทำงาน
สร้างกราฟที่เป็นตัวแทนของระบบ: โหนดคือผู้กระทำการ (บุคคล เซิร์ฟเวอร์ ยีน) เส้นเชื่อมคือช่องทางการปฏิสัมพันธ์ (มิตรภาพ การเชื่อมต่อของเซลล์ประสาท การเป็นผู้ร่วมเขียน) และน้ำหนักของเส้นเชื่อมที่เป็นทางเลือกสามารถจับความแข็งแรงของความสัมพันธ์หรือความถี่ของการติดต่อได้ คุณสมบัติเชิงโครงสร้างของกราฟนี้ เช่น การกระจายตัวของดีกรี (degree distribution) สัมประสิทธิ์การรวมกลุ่ม (clustering coefficient) และความยาวของเส้นทาง (path lengths) ล้วนมีอิทธิพลอย่างมากต่อผลลัพธ์ของการแพร่กระจาย
เลือกแบบจำลองเชิงกลุ่ม (compartmental model) ที่เหมาะสมกับปรากฏการณ์: SI (ผู้ที่อาจติดเชื้อ-ผู้ที่ติดเชื้อ) สำหรับการยอมรับถาวร เช่น การแพร่กระจายของความคิดเห็น; SIR (ผู้ที่อาจติดเชื้อ-ผู้ที่ติดเชื้อ-ผู้ที่หายแล้ว) สำหรับโรคระบาดหรือข่าวลือที่มีการลืม; SIS สำหรับการติดเชื้อซ้ำๆ; SEIR เมื่อมีระยะแฝง แบบจำลองแต่ละแบบจะกำหนดสมการเชิงอนุพันธ์ที่ควบคุมอัตราการเปลี่ยนระหว่างกลุ่มต่างๆ
สูตร
SI: \frac{dI}{dt} = \beta S I; \quad SIR: \frac{dR}{dt} = \gamma Iกำหนดโหนดที่ติดเชื้อ (หรือยอมรับ) ตั้งแต่เริ่มต้นหนึ่งโหนดหรือมากกว่านั้น ซึ่งเป็นจุดเริ่มต้น (seeds) การเลือกจุดเริ่มต้นมีความสำคัญ: โหนดศูนย์กลางที่มีดีกรีสูง โหนดเชื่อมต่อที่มีค่าความเป็นจุดศูนย์กลางสูง (betweenness) หรือโหนดที่กระจายตัวทางภูมิศาสตร์ ล้วนก่อให้เกิดการแพร่กระจายที่แตกต่างกันอย่างชัดเจน การวิเคราะห์ความไว (sensitivity analysis) โดยใช้ชุดจุดเริ่มต้นหลายชุดถือเป็นแนวปฏิบัติมาตรฐาน
ดำเนินการแพร่กระจายไปข้างหน้าตามเวลา: ในแต่ละขั้นที่กำหนด (หรือเหตุการณ์ในเวลาต่อเนื่อง) โหนดที่ติดเชื้อแต่ละโหนดจะสัมผัสกับเพื่อนบ้านที่อาจติดเชื้อด้วยความน่าจะเป็น beta ต่อหน่วยเวลา หากแบบจำลองมีการฟื้นตัว โหนดที่ติดเชื้อจะเปลี่ยนไปเป็นกลุ่มที่หายแล้วด้วยอัตรา gamma โดยทั่วไป การจำลองจะดำเนินการหลายครั้ง (Monte Carlo) เพื่อประมาณพฤติกรรมที่คาดหวังและความแปรปรวน
วัดผลลัพธ์ของการแพร่กระจาย: ขนาดสุดท้ายของการแพร่ระบาด (สัดส่วนของผู้ที่ติดเชื้อในที่สุด) อัตราการติดเชื้อสูงสุด เวลาที่ถึงจุดสูงสุด และความเร็วในการแพร่กระจาย เปรียบเทียบผลลัพธ์เหล่านี้ระหว่างจุดเริ่มต้น โครงสร้างเครือข่าย หรือสถานการณ์การแทรกแซง (เช่น การกำจัดโหนดเป้าหมายหรือการฉีดวัคซีน) เพื่อระบุจุดที่มีอิทธิพลในการควบคุมหรือเร่งการแพร่กระจาย
ข้อผิดพลาดที่พบบ่อย
- การเลือกแบบจำลอง SI เมื่อการยอมรับหรือการอิ่มตัวเป็นไปได้ ควรใช้แบบจำลอง SIR หรือ SIS เป็นค่าเริ่มต้น เว้นแต่การยอมรับนั้นจะถาวรอย่างแท้จริง
- การใช้โหนดเริ่มต้นเพียงโหนดเดียวและถือว่าผลลัพธ์เป็นตัวแทนโดยไม่มีการวิเคราะห์ความไวข้ามชุดโหนดเริ่มต้น
- การละเลยการกระจายตัวของดีกรีของเครือข่าย: เครือข่ายแบบ scale-free มีเกณฑ์การแพร่ระบาดใกล้ศูนย์ ดังนั้นผลการจำลองจากกราฟแบบสุ่มจึงไม่สามารถนำมาใช้ได้
- การปะปนกันระหว่างผลเฉลี่ยเชิงวิเคราะห์ (mean-field solutions) ที่อิงจากการกระจายตัวของดีกรี กับการจำลองระดับโหนด ผลลัพธ์จะแตกต่างกันอย่างมากในเครือข่ายที่มีการรวมกลุ่มสูง
- การรายงานเฉพาะขนาดสุดท้ายของการแพร่ระบาดโดยเฉลี่ย โดยไม่รายงานความแปรปรวน ซึ่งอาจมีค่าสูงมากในเครือข่ายที่เบาบาง
คำถามที่พบบ่อย
ฉันควรเลือกแบบจำลองเชิงกลุ่มแบบใด?
เลือก SI หากการยอมรับนั้นถาวรและไม่สามารถย้อนกลับได้ (เช่น การซื้อผลิตภัณฑ์) เลือก SIR หากบุคคลหยุดการแพร่กระจายหลังจากฟื้นตัวหรือหมดความสนใจ เลือก SIS หากการติดเชื้อซ้ำหรือการยอมรับซ้ำเป็นไปได้ เลือก SEIR เมื่อมีระยะแฝงที่สำคัญระหว่างการสัมผัสและการแพร่เชื้อ
ฉันต้องการเครือข่ายทั้งหมดหรือไม่ หรือสถิติโดยรวมก็เพียงพอแล้ว?
การประมาณค่าแบบ mean-field ที่อิงจากการกระจายตัวของดีกรีทำงานได้ดีเมื่อการรวมกลุ่มต่ำและเครือข่ายมีขนาดใหญ่ สำหรับเครือข่ายที่มีการรวมกลุ่มสูงหรือมีโครงสร้างแบบโมดูล การจำลองระดับโหนดบนกราฟจริงเป็นสิ่งจำเป็น เนื่องจากสถิติโดยรวมจะบดบังผลกระทบเชิงโครงสร้างที่สำคัญ
ฉันจะประมาณอัตราการแพร่เชื้อ beta ได้อย่างไร?
ปรับค่า beta (และ gamma ถ้ามี) โดยการเทียบแบบจำลองกับข้อมูลอุบัติการณ์อนุกรมเวลาที่สังเกตได้ โดยใช้กำลังสองน้อยที่สุด (least squares) ความควรจะเป็นสูงสุด (maximum likelihood) หรือการคำนวณแบบเบย์โดยประมาณ (Approximate Bayesian Computation) หากไม่มีข้อมูลเชิงประจักษ์ การวิเคราะห์ความไวในช่วงค่า beta ที่เป็นไปได้ถือเป็นข้อกำหนดขั้นต่ำ
จำนวนการแพร่พันธุ์พื้นฐาน R0 คืออะไร และเหตุใดจึงสำคัญ?
R0 = beta / gamma คือจำนวนการติดเชื้อรองที่คาดว่าจะเกิดขึ้นจากโหนดเริ่มต้นหนึ่งโหนดในประชากรที่อาจติดเชื้อทั้งหมด หาก R0 > 1 การระบาดใหญ่เป็นไปได้ หาก R0 < 1 การระบาดจะค่อยๆ หายไป ในเครือข่ายที่ไม่สม่ำเสมอ เกณฑ์ที่มีประสิทธิภาพจะขึ้นอยู่กับการกระจายตัวของดีกรี ไม่ใช่แค่ค่าเฉลี่ยของดีกรี
ฉันสามารถใช้การวิเคราะห์การแพร่กระจายในเครือข่ายกับเครือข่ายขนาดเล็กได้หรือไม่?
ได้ แต่ต้องระมัดระวัง ในเครือข่ายที่มีโหนดน้อยกว่าประมาณ 50 โหนด ความแปรปรวนแบบสุ่มจะสูงมาก การจำลองแต่ละครั้งอาจให้ผลลัพธ์ที่แตกต่างกันอย่างมาก การแก้สมการเชิงอนุพันธ์แบบกำหนด (deterministic ODE solutions) จะไม่น่าเชื่อถือในระดับเล็ก ให้ทำการจำลองแบบ Monte Carlo หลายครั้งและรายงานการกระจายผลลัพธ์ทั้งหมด ไม่ใช่แค่ค่าเฉลี่ย
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Kermack, W. O. & McKendrick, A. G. (1927). A contribution to the mathematical theory of epidemics. Proceedings of the Royal Society of London A, 115(772), 700–721.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วWatts, D. J. & Strogatz, S. H. (1998). Collective dynamics of 'small-world' networks. Nature, 393, 440–442.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว