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

기술 요약: 네트워크 상의 SIS 역학의 분산 - 확산 근사를 통한 접근

문제 정의
네트워크 상의 전염병에 대한 수학적 모델은 일반적으로 네트워크 크기 $N$이 증가함에 따라 감염 확산의 평균장 궤적(mean-field trajectory)을 기술하기 위해 함수적 대수의 법칙(FLLNs)에 의존한다. 이러한 결정론적 극한(상미분 방정식)은 평균적인 거동을 정확하게 예측하지만, 유한한 인구 집단에서 내재된 확률적 변동성을 포착하는 데는 실패한다. 이러한 변동성은 예측 불확실성을 정량화하고, 소멸 확률을 추정하며, 위험 인지형 제어 전략을 설계하는 데 매우 중요하다.

결정적으로, 역학의 분산은 평균과는 다른 네트워크 통계치에 의해 지배된다. 초기 성장 단계에서의 평균 유병률은 차수 분포의 1차 및 2차 모멘트에 의존하는 반면, 분산은 1차, 2차 및 3차 모멘트(왜도 포함)에 의존한다. 구성 모델(configuration-model) 그래프 상의 SI(Susceptible-Infected) 과정에 대해서는 엄밀한 함수적 중심한계정리(FCLT)가 존재하지만, 이와 유사한 폐쇄형 분산 프레임워크는 SIS(Susceptible-Infected-Susceptible) 모델에 대해서는 존재하지 않는다. SIS 과정은 회복이 감염되었던 정점을 다시 감수성(susceptible) 상태의 풀로 재투입하기 때문에 더 복잡하며, 이 과정에서 부분적으로 이력 의존적인(history-dependent) 이웃 구조를 갖게 되어 SI의 경우처럼 깔끔한 이웃 분포 가정을 깨뜨린다. 기존의 SIS 확률론적 분석은 주로 엔데믹(endemic) 영역에서의 준정상 분포(quasi-stationary distribution)에 초점을 맞추었으며, 변동의 전체 시간적 진화에는 주목하지 않았다.

방법론
저자들은 다음 두 가지 프레임워크를 결ert하여 구성 모델 그래프 상의 마르코프적 SIS 과정에 대한 다루기 쉬운 분산 근사법을 개발하였다:

1. 근사 마스터 방정식 (AME): 차수 및 이웃이 해결된 상태 변수(구체적으로는 $k$의 차수와 $m$개의 감염된 이웃을 가진 감수성 및 감염된 정점의 비율)의 결정론적 진화를 추적하기 위해 Gleeson의 프레임워크를 활용한다.
2. 반 캄펜(Van Kampen) 시스템 크기 확장: 확률적 계수 벡터 $X(t)$를 결정론적 평균 궤적 $\phi(t)$와 $\sqrt{N}$으로 스케일링된 변동 항 $\zeta(t)$로 분해하는 확산 근사를 적용한다:
   $$X(t) = N\phi(t) + \sqrt{N}\zeta(t)$$

저자들은 감수성 정점($X_S$), 감수성-감염 엣지($X_{SI}$), 감수성-감수성 엣지($X_{SS}$)의 수를 추적하는 축소된 3차원 상태 벡터를 정의한다. 변동의 공분산 행렬 $C(t)$의 진화는 다음과 같은 선형 행렬 미분 방정식(Langevin/Lyapunov 방정식)에 의해 지배된다:
$$\dot{C} = JC + CJ^T + B$$
여기서 $J$는 야코비안(Jacobian)이며, $B$는 감염 및 회복 이벤트로부터 유도된 확산(노이즈) 행렬이다.

주요 근사 및 기여
시스템을 닫고(close) 드리프트 및 확산 행렬을 오직 축소된 변수($X_S, X_{SI}, X_{SS}$)만으로 표현하기 위해, 논문은 다음과 같은 특정 근사치를 도입한다:

• 이웃 샘플링 폐쇄 (Neighborhood Sampling Closure): 저자들은 감수성 정점에 대한 감염된 이웃의 분포 $P(m|S, k)$를 초기하 분포(hypergeometric expression)를 사용하여 근사한다. 이는 빈번한 회복 및 재감염 이벤트로 인해 감수성 정점의 국소적 상관관계가 감염 이력으로부터 탈상관화되어, 사실상 전역적 하프-엣지(half-edge) 풀로부터의 새로운 무작위 추출처럼 행동한다고 가정하는 것이다. 이는 SI의 정확한 조건과 유사하지만, SIS에서는 근사치이다.
• 구조적 인자 ($\kappa$): 폐쇄식은 감수성 또는 감염된 정점을 중심으로 하는 $r$-스타 모티프(r-star motif)의 정규화된 기대 수를 나타내는 구조적 인자 $\kappa^{(r)}_S$ 및 $\kappa^{(r)}_I$를 도입한다. 이 인자들은 분산 계산에 차수 분포의 고차 모멘트(3차 모멘트까지)를 명시적으로 포함한다.
• 도함수 무시: 저자들은 감수성 중심 웨지(wedge) 인자인 $\kappa^{(2)}_S$를 AME 솔루션에 의해 제공되는 시간 의존적 계수로 취급하며, 야코비안 내에서 축소된 변수에 대한 도함수 항을 무시한다. SI 프로세스에 대한 검증 결과, 이 도함수 기여는 무시할 만한 수준인 것으로 나타났다.

결과
제안된 AME-Langevin 근사법은 다양한 네트워크 토폴로지와 역학적 매개변수에 대해 Gillespie 확률 시뮬레이션과 비교 검증되었다:

• 포아송 네트워크 (Poisson Networks): 이 근사법은 다양한 감염률($\beta$) 범위에서 감수성 비율의 과도적 피크(transient peak)와 장기적 분산을 정확하게 재현한다. 불일치는 최소한이며, 역학적 임계점 근처에서 약간의 과소 추정이 발생한다.
• 네트워크 크기: 본 방법은 $N=500$에서 $N=4000$ 사이의 네트워크 크기에서 잘 작동하며, $N$이 증가함에 따라 절대적 일치도가 향상되는데, 이는 선형 노이즈 근사의 점근적 특성과 일치한다.
• 정규 네트워크 (Regular Networks): $k$-정규 네트워크의 경우, 근사법은 $\kappa^{(2)}_S$ 도함수 항에 대해 정확하다. 일치도는 전반적으로 양호하지만, 희소한 네트워크($k=4$)의 경우 이론이 과도적 분산 피크를 약간 과대 추정하는데, 이는 낮은 차수의 환경에서 더 강한 이력 의존적 상관관계가 존재하기 때문인 것으로 보인다.
• 멱함수(Power-Law, 헤테로지니어스) 네트워크: 허브가 존재하는 높은 차수 이질성을 가진 네트워크(척도 없는 네트워크)의 경우, 방법론은 분산 피크의 타이밍은 포착하지만 그 높이를 정확히 예측하는 데는 실패한다. 저자들은 이를 허브가 관여할 때 발생하는 이웃 샘플링 폐쇄의 "조잡함(crudeness)" 때문으로 설명하며, 즉 허브에서의 감염/회복 이벤트가 전역 풀 샘플링으로는 잘 표현되지 않는 상관관계를 생성하기 때문이다.

의의 및 주장
본 논문은 초기 성장 단계를 넘어 구성 모델 그래프 상의 SIS 프로세스에 대한 최초의 다루기 쉬운 시간 의존적 분산 근사법을 제공한다고 주장한다.

• 정보 함유량: 이 프레임워크는 분산에 관련된 구조적 정보를 버리는 평균장 모델의 한계를 넘어, 확산 행렬에 3차 차수 모멘트($\kappa^{(3)}_S$)를 명시적으로 포함한다.
• 계산 효율성: 결과로 나오는 $3 \times 3$ Langevin ODE 시스템을 푸는 것은 계산적으로 효율적이며, 이는 분산을 경험적으로 추정하기 위해 수천 번의 Gillespie 시뮬레이션을 생성해야 하는 것과 비교하여 큰 이점을 제공한다.
• 한한계점: 저자들은 이 방법이 엄밀한 FCLT가 아닌 근사치임을 겸허히 밝히고 있다. 방법의 정확도는 "탈상관화" 가정이 실패하는 영역, 즉 희소한 저차수 네트워크 및 허브가 있는 고도로 이질적인 네트워크에서 정확도가 저하된다.

이 연구는 결정론적 평균장 이론과 직접적인 확률 시뮬레이션 앙상블 사이의 유용한 중간 단계의 설명을 제공하며, 네트워크 상의 역학 예측에 대한 불확실성을 정량화하기 위한 도구를 제시한다.