Skip to content
กลับไปยังผลการค้นหา

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

ขนาดตัวอักษร

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

1

สร้างกราฟที่เป็นตัวแทนของระบบ: โหนดคือผู้กระทำการ (บุคคล เซิร์ฟเวอร์ ยีน) เส้นเชื่อมคือช่องทางการปฏิสัมพันธ์ (มิตรภาพ การเชื่อมต่อของเซลล์ประสาท การเป็นผู้ร่วมเขียน) และน้ำหนักของเส้นเชื่อมที่เป็นทางเลือกสามารถจับความแข็งแรงของความสัมพันธ์หรือความถี่ของการติดต่อได้ คุณสมบัติเชิงโครงสร้างของกราฟนี้ เช่น การกระจายตัวของดีกรี (degree distribution) สัมประสิทธิ์การรวมกลุ่ม (clustering coefficient) และความยาวของเส้นทาง (path lengths) ล้วนมีอิทธิพลอย่างมากต่อผลลัพธ์ของการแพร่กระจาย

2

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 I
3

กำหนดโหนดที่ติดเชื้อ (หรือยอมรับ) ตั้งแต่เริ่มต้นหนึ่งโหนดหรือมากกว่านั้น ซึ่งเป็นจุดเริ่มต้น (seeds) การเลือกจุดเริ่มต้นมีความสำคัญ: โหนดศูนย์กลางที่มีดีกรีสูง โหนดเชื่อมต่อที่มีค่าความเป็นจุดศูนย์กลางสูง (betweenness) หรือโหนดที่กระจายตัวทางภูมิศาสตร์ ล้วนก่อให้เกิดการแพร่กระจายที่แตกต่างกันอย่างชัดเจน การวิเคราะห์ความไว (sensitivity analysis) โดยใช้ชุดจุดเริ่มต้นหลายชุดถือเป็นแนวปฏิบัติมาตรฐาน

4

ดำเนินการแพร่กระจายไปข้างหน้าตามเวลา: ในแต่ละขั้นที่กำหนด (หรือเหตุการณ์ในเวลาต่อเนื่อง) โหนดที่ติดเชื้อแต่ละโหนดจะสัมผัสกับเพื่อนบ้านที่อาจติดเชื้อด้วยความน่าจะเป็น beta ต่อหน่วยเวลา หากแบบจำลองมีการฟื้นตัว โหนดที่ติดเชื้อจะเปลี่ยนไปเป็นกลุ่มที่หายแล้วด้วยอัตรา gamma โดยทั่วไป การจำลองจะดำเนินการหลายครั้ง (Monte Carlo) เพื่อประมาณพฤติกรรมที่คาดหวังและความแปรปรวน

5

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

  1. 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 DOI
    คัดลอกแล้ว
  2. Watts, D. J. & Strogatz, S. H. (1998). Collective dynamics of 'small-world' networks. Nature, 393, 440–442.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว