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

Sintesi Tecnica: Varianza dell'epidemia SIS su reti tramite approssimazione di diffusione

Enunciato del Problema
I modelli matematici di epidemie sulle reti si affidano tipicamente a Leggi dei Grandi Numeri Funzionali (FLLN) per descrivere la traiettoria media di diffusione dell'infezione come il numero di nodi $N$ cresce. Sebbene questi limiti deterministici (Equazioni Differenziali Ordinarie) predicano accuratamente il comportamento medio, essi non riescono a catturare le fluttuazioni stocastiche inerenti alle popolazioni finite. Tali fluttuazioni sono critiche per quantificare l'incertezza delle previsioni, stimare le probabilità di estinzione e progettare strategie di controllo consapevoli del rischio.

Crucialmente, la varianza di un'epidemia è governata da statistiche di rete diverse rispetto alla media. Mentre la prevalenza media nella fase di crescita iniziale dipende dai primi due momenti della distribuzione dei gradi, la varianza dipende dai primi tre momenti (inclusa l'asimmetria). Sebbene esista un rigoroso Teorema del Limite Centrale Funzionale (FCLT) per il processo Suscettibile-Infetto (SI) su grafi a modello di configurazione, non esiste un framework analogo per la varianza nel modello Suscettibile-Infetto-Suscettibile (SIS). Il processo SIS è più complesso perché il recupero reinserisce i vertici nel pool di suscettibili con vicinati parzialmente noti e dipendenti dalla storia, rompendo le assunzioni "pulite" sulla distribuzione del vicinato che permettono derivazioni esatte del FCLT nel caso SI. Le analisi stocastiche esistenti del SIS si sono concentrate ampiamente sulla distribuzione quasi-stazionaria nel regime endemico piuttosto che sulla completa evoluzione temporale delle fluttuazioni.

Metodologia
Gli autori sviluppano un'approssimazione trattabile della varianza per il processo SIS markoviano su grafi a modello di configurazione combinando due framework:

1. Equazione Master Approssimata (AME): Utilizzando il framework di Gleeson per tracciare l'evoluzione deterministica delle variabili di stato risolte per grado e vicinato (specificamente, le frazioni di vertici suscettibili e infetti con grado $k$ e $m$ vicini infetti).
2. Espansione della Dimensione del Sistema di Van Kampen: Applicando un'approssimazione di diffusione dove il vettore di conteggio stocastico $X(t)$ viene decomposto in una traiettoria media deterministica $\phi(t)$ e un termine di fluttuazione $\zeta(t)$ scalato per $\sqrt{N}$:
   $$X(t) = N\phi(t) + \sqrt{N}\zeta(t)$$

Gli autori definiscono un vettore di stato ridotto a tre dimensioni che traccia i conteggi dei vertici suscettibili ($X_S$), degli archi suscettibile-infetto ($X_{SI}$) e degli archi suscettibile-suscettibile ($X_{SS}$). L'evoluzione della matrice di covarianza $C(t)$ delle fluttuazioni è governata da un'equazione differenziale lineare della matrice (Langevin/Lyapunov):
$$\dot{C} = JC + CJ^T + B$$
dove $J$ è lo Jacobiano del drift deterministico e $B$ è la matrice di diffusione (rumore) derivata dai tassi di infezione e recupero.

Approssimazioni Chiave e Contributi
Per chiudere il sistema ed esprimere le matrici di drift e diffusione unicamente in termini delle variabili ridotte ($X_S, X_{SI}, X_{SS}$), il documento introduce specifiche approssimazioni:

• Chiusura del Campionamento del Vicinato: Gli autori approssimano la distribuzione dei vicini infetti per un vertice suscettibile, $P(m|S, k)$, utilizzando un'espressione ipergeometrica. Ciò assume che, a causa dei frequenti eventi di recupero e reinfezione, le correlazioni locali del vicinato di un vertice suscettibile si decorrelano dalla sua storia di infezione, comportandosi efficacemente come un nuovo campionamento casuale dal pool globale di semi-archi. Questo rispecchia la condizione esatta per l'SI ma è un'approssimazione per l'SIS.
• Fattori Strutturali ($\kappa$): La chiusura introduce fattori strutturali $\kappa^{(r)}_S$ e $\kappa^{(r)}_I$, che rappresentano i numeri attesi normalizzati di motivi a stella $r$-star centrati su vertici suscettibili o infetti. Questi fattori incorporano esplicitamente i momenti di ordine superiore (fino al terzo momento) della distribuzione dei gradi nel calcolo della varianza.
• Negligenza delle Derivate: Gli autori trattano il fattore wedge centrato sul suscettibile $\kappa^{(2)}_S$ come un coefficiente tempo-dipendente fornito dalla soluzione AME, trascurando le sue derivate rispetto alle variabili ridotte nello Jacobiano. La validazione su processi SI suggerisce che il contributo di questa derivata sia trascurabile.

Risultati
L'approssimazione AME-Langevin proposta è stata validata rispetto a simulazioni stocastiche di Gillespie attraverso varie topologie di rete e parametri epidemiologici:

• Reti di Poisson: L'approssimazione riproduce accuratamente il picco transitorio e la varianza a lungo termine della frazione suscettibile attraverso un'ampia gamma di tassi di infezione ($\beta$). Le discrepanze sono minime, con una leggera sottostima vicino alla soglia epidemica.
• Dimensione della Rete: Il metodo funziona bene per dimensioni di rete $N=500$ a $N=4000$, con un accordo assoluto che migliora all'aumentare di $N$, coerentemente con la natura asintotica dell'approssimazione del rumore lineare.
• Reti Regolari: Per reti $k$-regolari, l'approssimazione è esatta riguardo al termine derivata $\kappa^{(2)}_S$. L'accordo è generalmente buono, sebbene la teoria sovrastimi leggermente il picco di varianza transitoria per reti sparse ($k=4$), probabilmente a causa di correlazioni dipendenti dalla storia più forti in ambienti a basso grado.
• Reti Power-Law (Eterogenee): In reti con alta eterogeneità di grado (scale-free), il metodo cattura la tempistica del picco di varianza ma non riesce a predire accuratamente la sua entità. Gli autori attribuiscono ciò alla "grossolanità" della chiusura del campionamento del vicinato quando sono coinvolti gli hub, poiché gli eventi di infezione/recupero sugli hub generano correlazioni non ben rappresentate dal campionamento del pool globale.

Significatività e Rivendicazioni
Il documento sostiene di fornire la prima approssimazione trattabile della varianza tempo-dipendente per il processo SIS su grafi a modello di configurazione che si estende oltre la fase di crescita iniziale.

• Contenuto Informativo: Il framework incorpora esplicitamente i momenti di terzo ordine del grado (tramite $\kappa^{(3)}_S$) nella matrice di diffusione, affrontando il vuoto in cui i modelli mean-field scartano l'informazione strutturale rilevante per la varianza.
• Efficienza Computazionale: Risolvere il risultante sistema di ODE Langevin $3 \times 3$ è computazionalmente efficiente, offrendo un vantaggio significativo rispetto alla generazione di migliaia di simulazioni di Gillespie per stimare empiricamente la varianza.
• Limitazioni: Gli autori notano con modestia che il metodo è un'approssimazione, non un FCLT rigoroso. La sua accuratezza degrada nei regimi in cui l'assunzione di "decorrelazione" fallisce: specificamente in reti sparse e a basso grado e in reti altamente eterogenee con hub, dove la dipendenza dalla storia locale è forte.

Il lavoro si posiziona come una descrizione intermedia utile tra la teoria deterministica mean-field e le grandi popolazioni di simulazioni stocastiche dirette, fornendo uno strumento per quantificare l'incertezza nelle previsioni epidemiche sulle reti.