Using covariance of node states to design early warning signals for network dynamics

Résumé technique : Utilisation de la covariance des états des nœuds pour la conception de signaux d'alerte précoce des dynamiques de réseau

Énoncé du problème
Les systèmes complexes réels, allant des écosystèmes à la propagation d'épidémies, subissent souvent des changements de régime soudains ou des transitions critiques. Les signaux d'alerte précoce (EWSs pour Early Warning Signals) sont des quantités conçues pour anticiper ces changements. Bien que de nombreux systèmes soient naturellement modélisés par des systèmes dynamiques sur des réseaux, tous les nœuds ne fournissent pas des EWSs fiables, et l'observation de chaque nœud est souvent impraticable en raison des coûts. Par conséquent, la recherche se concentre sur la sélection d'un sous-ensemble de « nœuds sentinelles » pour construire des EWSs de haute qualité.

Un EWS courant est la variance de l'échantillon (ou l'écart-type) des états des nœuds au cours du temps. Dans le contexte des réseaux, celle-ci est souvent agrégée en faisant la moyenne des variances d'échantillon des nœuds sentinelles sélectionnés. Cependant, il reste une question ouverte pour savoir si l'incorporation de la covariance de l'échantillon entre des paires de nœuds (les entrées hors diagonale de la matrice de covariance) améliore la qualité des EWSs par rapport à l'utilisation de la variance seule (entrées diagonales). Des approches précédentes, telles que l'utilisation de la valeur propre dominante de la matrice de covariance de l'échantillon, utilisent implicitement à la fois la variance et la covariance, mais l'utilité spécifique de l'intégration directe des covariances n'a pas été rigoureusement isolée et testée contre les méthodes basées sur la variance.

Méthodologie
Les auteurs emploient une combinaison de calculs analytiques et de simulations numériques approfondies pour évaluer les EWSs construites à partir des covariances d'échantillon par rapport aux variances d'échantillon.

1. Modèles dynamiques : L'étude utilise quatre modèles de systèmes dynamiques distincts sur des réseaux :

   • Dynamique de double puits couplée.
   • Dynamique d'interaction mutualiste.
   • Dynamique de régulation génique.
   • Dynamique épidémique de type Susceptible-Infectieux-Susceptible (SIS).
     Ces systèmes sont soumis à un bruit stochastique et à des paramètres de contrôle ($u$ ou $D$) qui sont progressivement variés pour induire des bifurcations (changements de régime).

2. Cadre théorique :

   • Les auteurs dérivent des expressions analytiques pour l'espérance et la variance des entrées de la matrice de covariance de l'échantillon ($\hat{C}_{ij}$) pour des équations différentielles stochastiques linéarisées autour d'un équilibre.
   • Ils définissent un indice $d = \frac{|\mu_1 - \mu_2|}{\sqrt{var_1 + var_2}}$, où $\mu$ et $var$ représentent la moyenne et la variance d'un EWS calculé à deux valeurs différentes du paramètre de contrôle (une loin de la bifurcation et une proche de celle-ci). Un $d$ plus grand indique une meilleure capacité à distinguer l'état pré-changement de l'état critique.
   • Ils démontrent deux théorèmes concernant le coefficient de variation (CV) des EWS, prouvant que, sous certaines conditions, la méthode « diagonale » (utilisant uniquement les variances) produit un CV plus faible (moins de fluctuations relatives) que les méthodes incorporant les covariances hors diagonale.

3. Méthodes de sélection des entrées :
   Pour construire les EWS, les auteurs comparent quatre méthodes de sélection des entrées de la matrice de covariance de l'échantillon $\hat{C}$ :

   • Diagonale : Sélectionne $n$ entrées diagonales (variances) de manière uniforme et aléatoire.
   • Mineur : Sélectionne une sous-matrice $n \times n$ (mineur) et fait la moyenne de toutes ses $n^2$ entrées (variances + covariances).
   • Ligne : Sélectionne une ligne et $n$ entrées de celle-ci.
   • Aléatoire : Sélectionne $n$ entrées (diagonales ou hors diagonale) de manière uniforme dans la partie triangulaire supérieure.
   • Des méthodes supplémentaires ont été testées, notamment « Triangulaire Supérieure » (excluant les diagonales), « Arête » (sélectionnant les entrées correspondant aux arêtes du réseau) et « Rang de Corrélation » (sélectionnant les paires ayant la corrélation initiale la plus élevée).

4. Métriques de performance :

   • $\tau$ de Kendall : Mesure la corrélation de rang entre l'EWS et le paramètre de contrôle. Un $\tau$ élevé (ascendant) ou faible (descendant) indique un bon EWS.
   • Indice $d$ : Utilisé pour classer les ensembles de nœuds sentinelles en fonction de leur capacité à maximiser le rapport signal sur bruit entre l'état pré-changement et l'état proche du changement.

Résultats clés

1. Résultats analytiques sur les petits réseaux :
   Dans les calculs analytiques sur des réseaux de quatre nœuds (graphes en chaîne, en étoile et en sucette/lollipop) avec des intensités de bruit variables, les auteurs ont constaté que les combinaisons d'entrées de la matrice de covariance qui maximisent l'indice $d$ consistent principalement en des entrées diagonales (variances). Dans la grande majorité des cas, l'ajout d'entrées hors diagonale (covariances) à la sélection n'a pas amélioré $d$ et l'a souvent dégradé.

2. Simulations numériques sur de grands réseaux :
   Les simulations sur 23 réseaux différents (incluant des topologies empiriques et synthétiques) et les quatre modèles dynamiques ont confirmé les conclusions analytiques :

   • La méthode « Diagonale » a systématiquement produit les valeurs de $\tau$ et de $d$ les plus élevées, surpassant toutes les autres méthodes.
   • La méthode « Mineur » (qui inclut les covariances) arrive en deuxième position, probablement parce qu'elle inclut les entrées diagonales.
   • Les méthodes reposant principalement sur les entrées hors diagonale (« Ligne », « Aléatoire », « Triangulaire Supérieure », « Arête », « Rang de Corrélation ») ont été nettement moins performantes que la méthode diagonale.
   • L'analyse statistique (ANOVA et tests de Tukey HSD) a confirmé que la différence de performance entre la méthode « Diagonale » et les autres est statistiquement significative pour tous les modèles dynamiques.
   • La méthode de la valeur propre dominante, qui repose sur la structure complète de la covariance, a également été moins performante que la simple méthode « Diagonale ».

3. Robustesse :
   Ces résultats se sont vérifiés indépendamment du fait que le stress et le bruit soient homogènes ou hétérogènes entre les nœuds, et pour les directions de simulation ascendantes et descendantes.

Signification et affirmations
L'article affirme que l'utilisation de la covariance de l'échantillon entre des paires de nœuds n'améliore pas la qualité des signaux d'alerte précoce des dynamiques de réseau par rapport à l'utilisation de la variance de l'échantillon.

• Justification de la pratique actuelle : Les résultats soutiennent l'utilisation prédominante des entrées diagonales (variances) dans la construction des EWS, validant les stratégies précédentes qui reposent sur la moyenne des variances d'échantillon des nœuds sentinelles.
• Implications de conception : Les conclusions suggèrent que, pour la conception des EWS, particulièrement lors de la sélection de nœuds sentinelles, il faut privilégier la variance plutôt que la covariance. Les auteurs notent que, bien que les caractéristiques basées sur la covariance puissent être exclues des architectures d'apprentissage automatique (Machine Learning) pour les EWS, cette conclusion est spécifique aux dynamiques stochastiques linéarisées et aux approches d'équilibre étudiées ici.
• Limites et travaux futurs : Les auteurs précisent explicitement que leurs résultats s'appliquent aux dynamiques tendant asymptotiquement vers un équilibre (bifurcations de type nœud-selle) et ne couvrent pas les dynamiques oscillatoires (bifurcations de Hopf). Ils notent également qu'ils n'ont pas optimisé la sélection de l'ensemble de nœuds sentinelles pour les EWS basés sur la covariance ; il est théoriquement possible qu'un ensemble basé sur la covariance, soigneusement optimisé, puisse surpasser un ensemble basé sur la variance, bien que la sélection aléatoire favorise la variance. Enfin, l'étude distingue les EWS temporels (utilisant les séries temporelles des nœuds) des EWS spatiaux (utilisant des statistiques spatiales), notant que si les EWS spatiaux utilisent intrinsèquement des relations entre nœuds, les résultats actuels suggèrent que la covariation pourrait ne pas être utile, même dans ce contexte, ce qui nécessite des recherches supplémentaires.

En résumé, l'étude fournit des preuves théoriques et numériques que, pour la classe de dynamiques de réseau examinée, la variance de l'échantillon est une statistique supérieure et suffisante pour la construction de signaux d'alerte précoce par rapport à la covariance de l'échantillon.