Stochastic spreading on complex networks

Abstract

Complex interacting systems are ubiquitous in nature and society. Computational modeling of these systems is, therefore, of great relevance for science and engineering. Complex networks are common representations of these systems (e.g., friendship networks or road networks). Dynamical processes (e.g., virus spreading, traffic jams) that evolve on these networks are shaped and constrained by the underlying connectivity. This thesis provides numerical methods to study stochastic spreading processes on complex networks. We consider the processes as inherently probabilistic and analyze their behavior through the lens of probability theory. While powerful theoretical frameworks (like the SIS-epidemic model and continuous-time Markov chains) already exist, their analysis is computationally challenging. A key contribution of the thesis is to ease the computational burden of these methods. Particularly, we provide novel methods for the efficient stochastic simulation of these processes. Based on different simulation studies, we investigate techniques for optimal vaccine distribution and critically address the usage of mathematical models during the Covid-19 pandemic. We also provide model-reduction techniques that translate complicated models into simpler ones that can be solved without resorting to simulations. Lastly, we show how to infer the underlying contact data from node-level observations.

Komplexe, interagierende Systeme sind in Natur und Gesellschaft allgegenwärtig. Die computergestützte Modellierung dieser Systeme ist daher von immenser Bedeutung für Wissenschaft und Technik. Netzwerke sind eine gängige Art, diese Systeme zu repräsentieren (z. B. Freundschaftsnetzwerke, Straßennetze). Dynamische Prozesse (z. B. Epidemien, Staus), die sich auf diesen Netzwerken ausbreiten, werden durch die spezifische Konnektivität geformt. In dieser Arbeit werden numerische Methoden zur Untersuchung stochastischer Ausbreitungsprozesse in komplexen Netzwerken entwickelt. Wir betrachten die Prozesse als inhärent probabilistisch und analysieren ihr Verhalten nach wahrscheinlichkeitstheoretischen Fragestellungen. Zwar gibt es bereits theoretische Grundlagen und Paradigmen (wie das SIS-Epidemiemodell und zeitkontinuierliche Markov-Ketten), aber ihre Analyse ist rechnerisch aufwändig. Ein wesentlicher Beitrag dieser Arbeit besteht darin, die Rechenlast dieser Methoden zu verringern. Wir erforschen Methoden zur effizienten Simulation dieser Prozesse. Anhand von Simulationsstudien untersuchen wir außerdem Techniken für optimale Impfstoffverteilung und setzen uns kritisch mit der Verwendung mathematischer Modelle bei der Covid-19-Pandemie auseinander. Des Weiteren führen wir Modellreduktionen ein, mit denen komplizierte Modelle in einfachere umgewandelt werden können. Abschließend zeigen wir, wie man von Beobachtungen einzelner Knoten auf die zugrunde liegende Netzwerkstruktur schließt.