Variance of the $SIS$ Epidemic on Networks: A Diffusion Approximation

Résumé Technique : Variance de l'épidémie SIS sur les réseaux via l'approximation de diffusion

Énoncé du problème
Les modèles mathématiques d'épidémies sur les réseaux reposent généralement sur des lois de la limite de grand nombre fonctionnelles (FLLN) pour décrire la trajectoire de moyenne de champ (mean-field) de la propagation de l'infection à mesure que la taille du réseau $N$ croît. Bien que ces limites déterministes (équations différentielles ordinaires) prédisent avec précision le comportement moyen, elles ne parviennent pas à capturer les fluctuations stochastiques inhérentes aux populations finies. Ces fluctuations sont cruciales pour quantifier l'incertitude des prévisions, estimer les probabilités d'extinction et concevoir des stratégies de contrôle tenant compte des risques.

De manière cruciale, la variance d'une épidémie est régie par des statistiques de réseau différentes de celles de la moyenne. Alors que la prévalence moyenne lors de la croissance initiale dépend des deux premiers moments de la distribution des degrés, la variance dépend des trois premiers moments (incluant l'asymétrie ou skewness). Bien qu'une loi limite centrale fonctionnelle (FCLT) rigoureuse existe pour le processus Susceptible-Infecté (SI) sur les graphes de modèle de configuration, aucun cadre de variance à forme fermée analogue n'existe pour le modèle Susceptible-Infecté-Susceptible (SIS). Le processus SIS est plus complexe car la guérison réintroduit les sommets dans le réservoir de susceptibles avec des voisinages partiellement connus et dépendants de l'historique, brisant les hypothèses de distribution de voisinage « propres » qui permettent les dérivations exactes de la FCLT dans le cas du SI. Les analyses stochastiques existantes du SIS se sont largement concentrées sur la distribution quasi-stationnaire dans le régime endémique plutôt que sur l'évolution temporelle complète des fluctuations.

Méthodologie
Les auteurs développent une approximation de variance traçable pour le processus Markovien SIS sur des graphes de modèle de configuration en combinant deux cadres :

1. Équation Maîtresse Approchée (AME) : Utilisation du cadre de Gleeson pour suivre l'évolution déterministe des variables d'état résolues par degré et par voisinage (spécifiquement, les fractions de sommets susceptibles et infectés avec un degré $k$ et $m$ voisins infectés).
2. Expansion de la taille du système de Van Kampen : Application d'une approximation de diffusion où le vecteur de comptage stochastique $X(t)$ est décomposé en une trajectoire moyenne déterministe $\phi(t)$ et un terme de fluctuation $\zeta(t)$ mis à l'échelle par $\sqrt{N}$ :
   $$X(t) = N\phi(t) + \sqrt{N}\zeta(t)$$

Les auteurs définissent un vecteur d'état réduit à trois dimensions suivant les comptes de sommets susceptibles ($X_S$), de liens susceptible-infecté ($X_{SI}$) et de liens susceptible-susceptible ($X_{SS}$). L'évolution de la matrice de covariance $C(t)$ des fluctuations est régie par une équation différentielle matricielle linéaire (équation de Langevin/Lyapunov) :
$$\dot{C} = JC + CJ^T + B$$
où $J$ est le Jacobien de la dérive déterministe et $B$ est la matrice de diffusion (bruit) dérivée des taux d'événements d'infection et de guérison.

Approximations clés et contributions
Pour fermer le système et exprimer les matrices de dérive et de diffusion uniquement en termes des variables réduites ($X_S, X_{SI}, X_{SS}$), l'article introduit des approximations spécifiques :

• Fermeture par échantillonnage de voisinage : Les auteurs approximent la distribution des voisins infectés pour un sommet susceptible, $P(m|S, k)$, en utilisant une expression hypergéométrique. Cela suppose que, en raison des fréquents événements de guérison et de réinfection, les corrélations locales du voisinage d'un sommet susceptible se décorrèlent de son historique d'infection, se comportant effectivement comme un tirage aléatoire frais à partir du pool global de demi-liens. Cela reflète la condition exacte pour le SI mais constitue une approximation pour le SIS.
• Facteurs structurels ($\kappa$) : La fermeture introduit des facteurs structurels $\kappa^{(r)}_S$ et $\kappa^{(r)}_I$, qui représentent les nombres attendus normalisés de motifs en étoile de degré $r$ centrés sur des sommets susceptibles ou infectés. Ces facteurs intègrent explicitement les moments d'ordre supérieur (jusqu'au troisième moment) de la distribution des degrés dans le calcul de la variance.
• Négligence des dérivées : Les auteurs traitent le facteur de coin (wedge) centré sur le susceptible $\kappa^{(2)}_S$ comme un coefficient dépendant du temps fourni par la solution AME, négligeant ses dérivées par rapport aux variables réduites dans le Jacobien. La validation sur les processus SI suggère que cette contribution de la dérivée est négligeable.

Résultats
L'approximation AME-Langevin proposée a été validée par des simulations stochastiques de Gillespie à travers diverses topologies de réseaux et paramètres épidémiologiques :

• Réseaux de Poisson : L'approximation reproduit avec précision le pic transitoire et la variance à long terme de la fraction de susceptibles sur une large gamme de taux d'infection ($\beta$). Les écarts sont minimaux, avec une légère sous-estimation près du seuil épidémique.
• Taille du réseau : La méthode fonctionne bien pour des tailles de réseau allant de $N=500$ à $N=4000$, l'accord absolu s'améliorant à mesure que $N$ augmente, ce qui est cohérent avec la nature asymptotique de l'approximation du bruit linéaire.
• Réseaux réguliers : Pour les réseaux $k$-réguliers, l'approximation est exacte concernant le terme de dérivée $\kappa^{(2)}_S$. L'accord est généralement bon, bien que la théorie surestime légèrement le pic de variance transitoire pour les réseaux parsemés ($k=4$), probablement en raison de corrélations dépendantes de l'historique plus fortes dans les environnements à faible degré.
• Réseaux de loi de puissance (hétérogènes) : Dans les réseaux à forte hétérogénéité de degré (scale-free), la méthode capture le moment du pic de variance mais échoue à prédire précisément sa hauteur. Les auteurs attribuent cela à la « rudesse » de la fermeture par échantillonnage de voisinage lorsque des hubs sont impliqués, car les événements d'infection/guérison sur les hubs génèrent des corrélations qui ne sont pas bien représentées par un échantillonnage de pool global.

Signification et affirmations
L'article affirme fournir la première approximation de variance dépendante du temps traçable pour le processus SIS sur des graphes de modèle de configuration qui s'étend au-delà de la phase de croissance initiale.

• Contenu informationnel : Le cadre intègre explicitement les moments de degré d'ordre trois (via $\kappa^{(3)}_S$) dans la matrice de diffusion, comblant la lacune où les modèles de champ moyen rejettent l'information structurelle pertinente pour la variance.
• Efficacité computationnelle : La résolution du système d'EDO de Langevin $3 \times 3$ résultant est très efficace, offrant un avantage significatif par rapport à la génération de milliers de simulations de Gillespie pour estimer la variance empiriquement.
• Limites : Les auteurs notent modestement que la méthode est une approximation, et non une FCLT rigoureuse. Sa précision diminue dans les régimes où l'hypothèse de « décorrélation » échoue : spécifiquement dans les réseaux parsemés à faible degré et dans les réseaux hautement hétérogènes avec des hubs, où la dépendance de l'historique local est forte.

Ce travail se positionne comme une description intermédiaire utile entre la théorie déterministe de champ moyen et les ensembles directs de simulations stochastiques, fournissant un outil pour quantifier l'incertitude des prévisions épidémiques sur les réseaux.