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

技術要約：ネットワーク上のSIS流行における分散：拡散近似によるアプローチ

問題提起
ネットワーク上の感染症モデルは、通常、ネットワークサイズ $N$ が増大する際の感染拡大の平均場軌道を記述するために、関数的大数の法則（FLLN）に依存している。これらの決定論的な極限（常微分方程式）は、平均的な挙動を正確に予測するが、有限集団に固有の確率的ゆらぎを捉えることはできない。これらのゆらぎは、予測の不確実性の定量化、絶滅確率の推定、およびリスクを考慮した制御戦略の設計において極めて重要である。

決定的なことに、流行の分散は、その平均とは異なるネットワーク統計量によって支配される。初期成長における平均流行率が次数分布の第1・第2モーメントに依存するのに対し、分散は第3モーメント（歪度を含む）にまで依存する。構成モデルグラフにおけるSIプロセスに対しては厳密な関数型中心極限定理（FCLT）が存在するが、SISモデルに対しては、これに相当する閉形式の分散フレームワークは存在しない。SISプロセスはより複雑である。なぜなら、回復によって頂点が（履歴に依存する部分的な近傍構造を保持したまま）感受性保持者のプールへと再導入されるため、「クリーンな」近傍分布の仮定が崩れるからである。これはSIの場合の正確なFCLTの導出を可能にする仮定とは対照的である。既存のSISに関する確率論的解析は、主に流行状態における準定常分布に焦点を当てており、ゆらぎの完全な時間的進化については扱ってこなかった。

手法
著者らは、2つのフレームワークを組み合わせることで、構成モデルグラフ上のマルコフ的SISプロセスに対する扱いやすい分散近似法を開発した：

1. 近似マスター方程式（AME）： 次数および近傍に分解された状態変数（具体的には、次数 $k$ を持ち、感染した隣接頂点数が $m$ である感受性頂点の割合）の決定論的な進化を追跡するために、Gleesonのフレームシップを活用する。
2. ファン・カンペン・システムサイズ展開： 確率的なカウントベクトル $X(t)$ を、決定論的な平均軌道 $\phi(t)$ と、$\sqrt{N}$ でスケールされたゆらぎ項 $\zeta(t)$ に分解する拡散近似を適用する：
   $$X(t) = N\phi(t) + \sqrt{N}\zeta(t)$$

著者らは、感受性頂点の数 ($X_S$)、感受性-感染エッジの数 ($X_{SI}$)、および感受性-感受性エッジの数 ($X_{SS}$) を追跡する、簡約された3次元状態ベクトルを定義している。ゆらぎの共分散行列 $C(t)$ の進化は、以下の線形行列微分方程式（ランジュバン/リアプノフ方程式）によって支配される：
$$\dot{C} = JC + CJ^T + B$$
ここで、$J$ は決定論的なドリフトのヤコビ行列であり、$B$ は感染および回復イベントのレートから導かれる拡散（ノイズ）行列である。

主要な近似と貢献
系を閉じ、ドリフトおよび拡散行列を簡約された変数 ($X_S, X_{SI}, X_{SS}$) のみで表現するために、論文では以下の特定の近似を導入している：

• 近傍サンプリングの閉鎖： 著者らは、感受性頂点の感染している隣接頂点の分布 $P(m|S, k)$ を、余剰（hypergeometric）な式を用いて近似している。これは、頻繁な回復と再感染のイベントにより、感受性頂点の局所的な相関がその感染履歴からデコリレーション（脱相関）し、事実上、半エッジのグローバルなプールからの新鮮なランダム抽出として振る舞うことを想定している。これはSIにおける正確な条件を反映しているが、SISにおいては近似である。
• 構造因子 ($\kappa$)： この閉鎖は、感受性または感染頂点を中心とする $r$-スターモチーフの正規化された期待数を示す構造因子 $\kappa^{(r)}_S$ および $\kappa^{(r)}_I$ を導入する。これらの因子は、分散の計算に高次のモーメント（第3モーメントまで）を明示的に組み込んでいる。
• 微分の無視： 著者らは、感受性中心のウェッジ因子 $\kappa^{(2)}_S$ をAMEの解から供給される時間依存の係数として扱い、簡約された変数に関するその微分をヤコビアンにおいて無視している。SIプロセスに関する検証では、この微分の寄与は無視できることが示唆されている。

結果
提案されたAME-Langevin近似は、様々なネットワークトポロジーおよび疫学的パラメータに対して、Gillespie確率シミュレーションを用いて検証された：

• ポアソンネットワーク： この近似は、幅広い感染率 ($\beta$) において、感受性画分の過渡的なピークおよび長期的な分散を正確に再現する。不一致は最小限であり、流行閾値付近でわずかな過小評価が見られる。
• ネットワークサイズ： 本手法は $N=500$ から $N=4000$ のネットワークサイズで良好に機能し、絶対的な一致は $N$ の増加とともに改善する。これは線形ノイズ近似の漸近的な性質と一致している。
• 正則ネットワーク： $k$-正則ネットワークにおいて、本近似は $\kappa^{(2)}_S$ の微分項に関して正確である。一致は概ね良好であるが、疎なネットワーク ($k=4$) では、理論が過渡的な分散のピークをわずかに過大評価する。これは、低次数環境における履歴依存的な相関がより強いことによるものと考えられる。
• べき乗則（不均一）ネットワーク： 高い次数不均一性を持つネットワーク（スケールフリー）において、本手法は分散のピークのタイミングを捉えるが、その高さの予測には失敗する。著者らは、ハブが関与する場合の近傍サンプリングによる閉鎖の「粗さ」に原因があると考えている。すなわち、ハブにおける感染/回復イベントは、グローバルなプールによるサンプリングでは十分に表現されない相関を生成するためである。

意義と主張
本論文は、初期成長フェーズを超えて、構成モデルグラフ上のSISプロセスに対する初の扱いやすい時間依存の分散近似を提供すると主張している。

• 情報量： 本フレームワークは、分散に関する構造情報の欠落という課題に対処するため、拡散行列に第3次次数モーメント（$\kappa^{(3)}_S$ を通じて）を明示的に組み込んでいる。
• 計算効率： 結果として得られる $3 \times 3$ のLangevin常微分方程式系を解くことは計算効率が高く、分散を経験的に推定するために数千回のGillespieシミュレーションを生成する必要がある場合と比較して、大きな利点がある。
• 限界： 著者らは、本手法が厳密なFCLTではなく近似であることを謙虚に述べている。その精度は、「デコリレーション」の仮定が成立しない領域、具体的には、局所的な履歴依存性が強い疎な低次数ネットワークや、ハブを持つ高度に不均一なネットワークにおいて低下する。

本研究は、決定論的な平均場理論と、直接的な確率シミュレーションの大規模アンサンブルとの間の、有用な中間的な記述を提供している。