Modelling Influence Spreading on Complex Networks
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Doctoral thesis (article-based)
| Defence date: 2022-11-22
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2022
Major/Subject
Mcode
Degree programme
Language
en
Pages
98 + app. 168
Series
Aalto University publication series DOCTORAL THESES, 142/2022
Abstract
Network Science is a growing field of research and it has gained research interest in many application areas. One definition of network science is the study of network representations of physical, biological and social phenomena aiming at predictive models of these phenomena. In addition to specialised methods of network modelling, networks can be studied with general methods of computer science, statistics and many other fields of mathematics. In this thesis I have developed an influence spreading model that can be applied to social networks, epidemic spreading, and spreading processes in physical and biomedical networks. The model is based on detailed network structures of nodes, links and paths in the network. Individual node and link weights are interpreted as probabilities of transferring information, influence or infection over nodes and via links, respectively. The model is demonstrated with social networks, epidemic spreading in structured organisations and interoperability in brain networks. In this context, I have proposed a community detection method to discover groups or connected regions in network structures, especially in social networks. In the case of brain networks, I have also discussed how the influence spreading model can be exchanged with a network connectivity model. This demonstrates how the community detection method can be used with different network models. The proposed community detection method and novel metrics are based on the influence spreading model presented in this study. The community detection method detects overlapping and hierarchical structures. Node and link weights can be used to describe weak and strong interactions or different levels of granularity of results. The method searches the local maxima of an objective function in detecting different splittings of the network. The objective function that I have used in the algorithm for detecting communities and sub-communities can be used as a quality function to compare the cohesion between any sets of nodes in the network structure. In addition, I have proposed alternative quality functions for measuring the probability of formation and robustness of composition for different community structures. Different probabilistic temporal distributions can be implemented in the spreading model. Temporal spreading has been demonstrated with two different distributions, the Poisson distribution and a probabilistic distribution describing temporal delays in message forwarding events. In order to investigate epidemic spreading in structured organisations using the influence spreading model I have used two main versions: complex contagion and simple contagion. The complex contagion model allows loops and breakthrough infection via nodes. The simple contagion model does not allow loops or breakthrough infection. It is assumed that the complex contagion model can describe the spread of virus infections where the main method of spreading is through the air with droplets and particles and breakthrough infection has a large effect.Verkostotiede on kasvava tutkimusalue ja se on saavuttanut mielenkiintoa monilla sovellusalueilla. Verkostotiede voidaan määritellä tieteen alana, joka tutkii fysikaalisia, biologisia ja sosiaalisia verkostoja ja pyrkii kuvaamaan ja ennustamaan erilaisia ilmiöitä verkostomallien avulla. Verkostoja on mahdollista tutkia myös muilla yleisillä tietojenkäsittelytieteen ja tilastotieteen menetelmillä. Tässä työssä on kehitetty vaikutuksen leviämien malli, jota voi soveltaa sosiaalisiin verkostoihin, epidemian leviämiseen ja erilaisiin prosesseihin fyysisissä ja biolääketieteellisissä verkostoissa. Malli perustuu yksityiskohtaiseen verkon rakenteen kuvaamiseen solmuina, linkkeinä ja verkon polkuina. Kunkin solmun ja linkin painoarvot tulkitaan kuvaamaan todennäköisyyksiä informaation, vaikutuksen tai infektion leviämiselle solmujen ja linkkien kautta. Tällaisen mallin avulla verkostojen vuorovaikutuksia on mahdollista kuvata halutulla tarkkuustasolla. Mallia havainnollistetaan kuvaamalla sosiaalisia verkostoja, epidemian leviämistä organisaatiorakenteessa ja aivojen eri osien yhteistoimintaa. Työssä esitetään uusi yhteisöjen etsintämalli, joka löytää aliryhmiä ja toisiinsa kytkeytyneitä alueita verkkorakenteissa, erityisesti sosiaalisissa verkostoissa. Aivoverkkojen sovelluksessa esitetään menetelmä, jossa leviämismalli voidaan vaihtaa verkon solmujen välistä yhteydellisyyttä kuvaavaan kirjallisuudessa esitettyyn malliin. Tämä osoittaa kuinka yhteisöjen etsintämallissa on mahdollista käyttää eri-laisia verkkomalleja. Yhteisöjen etsintämalli ja uudet solmujen ja verkostojen mittaluvut perustuvat tämän työn vaikutuksen leviämismalliin. Yhteisöjen etsintämalli löytää toisensa leikkaavia ja hierarkkisia rakenteita verkostoissa. Solmujen ja linkkien painokertoimia voi käyttää kuvaamaan heikkoja ja vahvoja vuorovaikutuksia ja erilaisia tarkkuustasoja. Menetelmässä etsitään kohdefunktion lokaaleja maksimiarvoja, joiden avulla verkosto jakaantuu eri tavoilla osiin. Tässä työssä määriteltyä kohdefunktiota voi käyttää vertaamaan verkoston minkä tahansa solmujen joukon keskinäistä yhteenkuuluvuutta. Lisäksi tässä työssä esitetään vaihtoehtoisia laatufunktioita kuvaamaan ryhmittymän muodostumisen todennäköisyyttä ja ryhmittymän kokoonpanon vakautta. Leviämismallissa voidaan käyttää erilaisia jakaumia kuvaamaan leviämisen todennäköisyyttä verkostossa. Ajallista leviämistä on demonstroitu kahdella jakaumalla, Poisson jakaumalla ja viestien välittämisen viiveitä kuvaavalla jakaumalla. Leviämismallin avulla on mallinnettu epidemian leviämistä rakenteellisessa organisaatiossa kahdella eri alimallilla: kompleksisella ja yksinkertaisella tarttumismallilla. Kompleksinen tarttumismalli sallii silmukat solmujen välillä ja läpäisyinfektion solmujen kautta. Yksinkertaisessa tartuntamallissa ei sallita leviämistä silmukoiden eikä läpäisyinfektion välityksellä. Tässä työssä on tehty oletus, että määritelty kompleksinen tartuntamalli voi kuvata virusepidemian leviämistä, kun pääasiallinen leviämistapa on ilman kautta kulkeutuvat pisarat ja partikkelit.Description
Supervising professor
Lampinen, Jouko, Prof., Aalto University, Department of Computer Science, FinlandThesis advisor
Kaski, Kimmo K., Prof., Aalto University, FinlandKeywords
influence spreading model, social network, complex network, vaikutuksen leviämismalli, sosiaalinen verkosto, kompleksinen verkosto
Other note
Parts
- [Publication 1]: Vesa Kuikka. Influence spreading model used to analyse social networks and detect sub-communities. Computational Social Networks 5, 12 (2018).DOI: 10.1186/s40649-018-0060-z
-
[Publication 2]: Vesa Kuikka. Modelling community structure and temporal spreading on complex networks. Computational Social Networks 8, 13 (2021).
DOI: 10.1186/s40649-021-00094-z View at publisher
- [Publication 3]: Vesa Kuikka. Terrorist network analyzed with an influence spreading model. In: Cornelius S., Coronges K., Gonçalves B., Sinatra R., Vespignani A. (eds) Complex Networks IX. CompleNet 2018. Springer Proceedings in Complexity. Springer, Cham (2018).DOI: 10.1007/978-3-319-73198-8_16
-
[Publication 4]: Vesa Kuikka and Minh An Antti Pham. Models of influence spreading on social networks. In: Benito R.M., Cherifi C., Cherifi H., Moro E., RochaL.M., Sales-Pardo M. (eds) Complex Networks & Their Applications X. COMPLEX NETWORKS 2021. Studies in Computational Intelligence, Vol1016. Springer, Cham (2022).
DOI: 10.1007/978-3-030-93413-2_10 View at publisher
-
[Publication 5]: Vesa Kuikka, Daniel Monsivais and Kimmo K. Kaski. Influence spreading model in analysing egocentric social networks. Physica A:Statistical Mechanics and its Applications, Vol 588, 126524.
Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-2021112410346DOI: 10.1016/j.physa.2021.126524 View at publisher
-
[Publication 6]: Vesa Kuikka. Subsystem cooperation in complex networks – Case brain network. In: Barbosa H., Gómez-Gardeñes J., Gonçalves B., Mangioni G., Menezes R., Oliveira M. (eds) Complex Networks XI. Springer Proceedings in Complexity. Springer, Cham (2020).
DOI: 10.1007/978-3-030-40943-2_14 View at publisher
-
[Publication 7]: Vesa Kuikka. Modelling epidemic spreading in structured organisations. Physica A: Statistical Mechanics and its Applications, Vol 592, 126875, (2022).
DOI: 10.1016/j.physa.2022.126875 View at publisher