本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：工作論文
- 編號：工作論文 #103
- 日期：2026-03-18
摘要
流行病過程是引起廣泛跨學科興趣的常見失衡現象。最近，動態消息傳遞（DMP）被提出作為一種有效的演算法，用於模擬網路上的流行病模型，特別是用於估計給定節點在特定時間變得具有傳染性的機率。到目前為止，DMP 已專門應用於具有單向狀態變化的模型，而不是像 SIS（易感-感染-易感）和 SIRS（易感-感染-恢復-易感）這樣的模型，在這些模型中節點可以返回到先前居住的狀態。由於許多現實世界的流行病都會表現出這種反覆出現的動態，因此我們提出了一種用於網路上複雜、反覆出現的流行病模型的 DMP 演算法。我們的方法考慮了相鄰節點之間的相關性，同時防止因果訊號回溯到其直接來源，從而避免了“迴聲室效應”，即一對相鄰節點各自放大另一個節點具有傳染性的機率。我們證明這種方法很好地近似了蒙特卡羅模擬所獲得的結果，並且其精度通常優於成對近似（也考慮了二階相關性）。此外，我們的方法比對近似的計算效率更高，特別是對於複雜的流行病模型：我們的 DMP 方法中的變數數量增長為 2mk，其中 m 是邊數，k 是狀態數，而不是對近似的 mk 2。我們懷疑，計算量的減少以及 DMP 概念的簡單性將使其成為流行病建模中的有用工具，特別是對於需要探索大參數空間的推理任務。