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

Resumo Técnico: Variância da Epidemia SIS em Redes via Aproximação de Difusão

Definição do Problema
Modelos matemáticos de epidemias em redes tipicamente dependem de Leis de Grandes Números Funcionais (FLLNs) para descrever a trajetória de campo médio da propagação da infecção conforme o tamanho da rede $N$ cresce. Embora esses limites determinísticos (Equações Diferenciais Ordinárias) prevejam com precisão o comportamento médio, eles falham em capturar as flutuações estocásticas inerentes a populações finitas. Essas flutuações são críticas para quantificar a incerteza de previsões, estimar probabilidades de extinção e projetar estratégias de controle conscientes de risco.

Crucialmente, a variância de uma epidemia é governada por estatísticas de rede diferentes da média. Enquanto a prevalência média no crescimento inicial depende dos dois primeiros momentos da distribuição de graus, a variância depende dos três primeiros momentos (incluindo a assimetria). Embora exista um Teorema Central de Limite Funcional (FCLT) rigoroso para o processo Suscetível-Infectado (SI) em grafos de modelo de configuração, não existe um arcabouço de variância de forma fechada análogo para o modelo Suscetível-Infectado-Suscetível (SIS). O processo SIS é mais complexo porque a recuperação reintroduz vértices no reservatório de suscetíveis com vizinhanças parcialmente conhecidas e dependentes do histórico, quebrando as suposições de "limpeza" da distribuição de vizinhança que permitem derivações exatas de FCLT no caso SI. As análises estocásticas existentes de SIS concentraram-se amplamente na distribuição quase-estacionária no regime endêmico, em vez da evolução temporal completa das flutuações.

Metodologia
Os autores desenvolvem uma aproximação de variância tratável para o processo SIS markoviano em grafos de modelo de configuração combinando dois frameworks:

1. Equação Mestra Aproximada (AME): Utilizando o framework de Gleeson para rastrear a evolução determinística de variáveis de estado resolvidas por grau e vizinhança (especificamente, as frações de vértices suscetíveis e infectados com grau $k$ e $m$ vizinhos infectados).
2. Expansão de Tamanho de Sistema de Van Kampen: Aplicando uma aproximação de difusão onde o vetor de contagem estocástica $X(t)$ é decomposto em uma trajetória média determinística $\phi(t)$ e um termo de flutuação $\zeta(t)$ escalonado por $\sqrt{N}$:
   $$X(t) = N\phi(t) + \sqrt{N}\zeta(t)$$

Os autores definem um vetor de estado reduzido tridimensional rastreando as contagens de vértices suscetíveis ($X_S$), arestas suscetível-infectado ($X_{SI}$) e arestas suscetível-suscetível ($X_{SS}$). A evolução da matriz de covariância $C(t)$ das flutuações é governada por uma equação diferencial de matriz linear (Langevin/Lyapunov):
$$\dot{C} = JC + CJ^T + B$$
onde $J$ é o Jacobiano do drift determinístico e $B$ é a matriz de difusão (ruído) derivada das taxas de eventos de infecção e recuperação.

Principais Aproximações e Contribuições
Para fechar o sistema e expressar as matrizes de drift e difusão unicamente em termos das variáveis reduzidas ($X_S, X_{SI}, X_{SS}$), o artigo introduz aproximações específicas:

• Fechamento de Amostragem de Vizinhança: Os autores aproximam a distribuição de vizinhos infectados para um vértice suscetível, $P(m|S, k)$, usando uma expressão hipergeométrica. Isso assume que, devido aos frequentes eventos de recuperação e reinfeção, as correlações locais da vizinhança de um vértice suscetível se decorrelacionam de seu histórico de infecção, comportando-se efetivamente como uma nova amostragem aleatória do pool global de semi-arestas. Isso espelha a condição exata para SI, mas é uma aproximação para SIS.
• Fatores Estruturais ($\kappa$): O fechamento introduz fatores estruturais $\kappa^{(r)}_S$ e $\kappa^{(r)}_I$, que representam os números esperados normalizados de motivos de $r$-estrela centrados em vértices suscetíveis ou infectados. Esses fatores incorporam explicitamente momentos de ordem superior (até o terceiro momento) da distribuição de graus no cálculo da variância.
• Negligência de Derivadas: Os autores tratam o fator de cunha centrado no suscetível $\kappa^{(2)}_S$ como um coeficiente dependente do tempo fornecido pela solução AME, negligenciando suas derivadas em relação às variáveis reduzidas no Jacobiano. A validação em processos SI sugere que essa contribuição de derivada é negligenciável.

Resultados
A aproximação AME-Langevin proposta foi validada contra simulações estocásticas de Gillespie em várias topologias de rede e parâmetros epidemiológicos:

• Redes Poisson: A aproximação reproduz com precisão o pico transitório e a variância de longo prazo da fração suscetível através de uma ampla gama de taxas de infecção ($\beta$). As discrepâncias são mínimas, com uma leve subestimação próximo ao limiar epidêmico.
• Tamanho da Rede: O método performa bem para tamanhos de rede de $N=500$ a $N=4000$, com concordância absoluta melhorando conforme $N$ aumenta, consistente com a natureza assintótica da aproximação de ruído linear.
• Redes Regulares: Para redes $k$-regulares, a aproximação é exata em relação ao termo de derivada $\kappa^{(2)}_S$. A concordância é geralmente boa, embora a teoria subestime ligeiramente o pico de variância transitória para redes esparsas ($k=4$), provavelmente devido a correlações de histórico mais fortes em ambientes de baixo grau.
• Redes de Lei de Potência (Heterogêneas): Em redes com alta heterogeneidade de grau (scale-free), o método captura o tempo do pico de variância, mas falha em prever com precisão sua magnitude. Os autores atribuem isso à "crueza" do fechamento de amostragem de vizinhança quando hubs estão envolvidos, pois eventos de infecção/recuperação em hubs geram correlações que não são bem representadas pelo sampling de pool global.

Significância e Alegações
O artigo afirma fornecer a primeira aproximação de variância tratável e dependente do tempo para o processo SIS em grafos de modelo de configuração que se estende além da fase de crescimento inicial.

• Conteúdo de Informação: O framework incorpora explicitamente momentos de grau de terceira ordem (via $\kappa^{(3)}_S$) na matriz de difusão, abordando a lacuna onde modelos de campo médio descartam informações estruturais relevantes para a variância.
• Eficiência Computacional: Resolver o sistema resultante de ODE Langevin $3 \times 3$ é computacionalmente eficiente, oferecendo uma vantagem significativa sobre a geração de milhares de simulações de Gillespie para estimar a variância empiricamente.
• Limitações: Os autores notam modestamente que o método é uma aproximação, não um FCLT rigoroso. Sua precisão degrada em regimes onde a suposição de "decorrelação" falha: especificamente em redes esparsas de baixo grau e em redes altamente heterogêneas com hubs, onde a dependência de histórico local é forte.

O trabalho posiciona-se como uma descrição intermediária útil entre a teoria de campo médio determinística e grandes conjuntos de simulações estocásticas diretas, fornecendo uma ferramenta para quantificar a incerteza em previsões epidêmicas em redes.