Detecting Multiple Epidemic Sources in Network Epidemics Using Graph Neural Networks
Authors:
Autores
| Person role | Person | |
|---|---|---|
|
7263 |
3171,753
|
|
|
7264 |
3171,753
|
Informations:
Pesc publication
Grafos são abstrações matemáticas usadas para representar entidades e relacionamentos entre eles. Um dos processos mais importantes que podem ser modelados por meio de grafos são as epidemias em redes. Nas epidemias em redes, as informações se espalham pela rede e eventualmente atingem os nós localizados longe de seu local de origem. Em muitos cenários, o processo de disseminação começa em um único ou em um número relativamente pequeno de nós, conhecidos como fontes epidêmicas. Identificar o nó fonte (ou vários nós fonte) após o desdobramento de uma epidemia é um problema fundamental, pois revela sua origem. Este trabalho trata da detecção de fontes epidêmicas em redes artificiais e do mundo real de diferentes tipos e tamanhos com nós suscetíveis e infectados. É proposto um algoritmo para aprimoramento de atributos de nós seguido pelo treinamento de redes neurais de grafos. O modelo treinado é então aplicado a novos padrões de infecção e estruturas de rede para encontrar os nós responsáveis por iniciar a epidemia.
Graphs are mathematical abstractions used to represent entities and relationships between them. One of the most important processes that can be modeled through graphs is network epidemics. In network epidemics, information spreads throughout the network and eventually reaches nodes located far from its beginning place. In many scenarios, the dissemination process starts on a single or a relatively small number of network nodes, known as epidemic sources. Identifying the source node (or multiple source nodes) after an epidemic has unfolded is a fundamental problem, since it reveals its origin. This work deals with the detection of epidemic's sources problem in artificial and real world networks from different types and sizes with susceptible and infected nodes. It is proposed an algorithm for node attribute enhancement followed by graph neural network training. The trained model is then applied to new infection patterns and network structures to find the nodes responsible for starting the epidemic.