Alana Shines设计图形，可以作为一种数学方式来表示我们所生活的复杂、相互关联的世界。图片/阿拉娜发光。设计/依奇勒克斯。
假设你想了解冠状病毒如何在社区中人与人之间传播。你怎么知道呢?如果你是一名计算机科学家，你可能会使用网络的数学概念——或者更确切地说，一个图。
图是节点和节点之间连接的结构，称为边，显示对象之间的关系。它可以作为一种数学方式来代表我们所生活的复杂、相互关联的世界。在南加州大学计算机科学系，新的博士研究生Alana Shine已经花了她的时间作为硕士和博士生研究图形，由David Kempe教授建议，作为研究的一部分南加州大学CS理论和算法组．
预测疾病传播
图可以用来建模很多东西，但它们在社交网络建模方面非常有用。因此，图论可以帮助预测疾病可能在何时何地传播，以优化隔离区域，减少感染。
Shine说:“我设计了一种方法来生成模拟人类互动的图表，这样人们就可以通过模拟来了解信息或疾病是如何传播的。”
“当人们想要测试图表上某些人的免疫时，看看它是否有效，他们需要大量的数据来测试，这些就是我制作的模型。”
图表可以帮助研究人员模拟传染过程，从疾病传播到社交媒体上的谣言传播。图像/阿拉娜发光。
具体来说，Shine为现实世界的图设计了“生成图模型”，允许模拟在大量具有现实世界属性的图上运行。
生成式图模型采用一个真实世界的图示例，并使用它来生成新的图，这些图可用于填充图数据集。这一点很重要，因为仅仅在一个真实世界的社交图谱上进行模拟，可能无法提供足够的信息来生成真实的结果。
人际互动建模
Shine分析了“全球连通性指标”，因为疾病传播、信息流或谣言传播等过程依赖于全球结构。换句话说，要让这些模拟深入了解现实世界的事件，生成的图必须捕获现实世界图的全局连通性属性。
在设计生成式图模型时，她以一个现实世界的图为例——比如一个城市的社交图——提取其全球连通性的一些度量，然后生成大量共享这个现实世界全球连通性结构的图。
Shine说:“根据不同类型的行为，对大流行的影响范围和数量有很多预测，但对这种行为的准确建模依赖于潜在的图表。”
“你不仅需要知道有多少人在互动，还需要知道这些人在与谁互动，在哪里互动。所有这些在你所运行的模拟中都很重要。”
除了扩展器
传统图形有一些已知的问题，Shine想在她的研究中解决。首先，大多数图都是一种称为展开器的高度连接类型。
疾病在扩展器模型上迅速传播，因为它们是高度相关的，这可能导致不准确的建模结果，因为假设所有真实世界的图都是扩展器。
Shine说:“大量生成图模型匹配本地属性，比如朋友的数量，并随机化其他所有东西，这些都有很高的可能性产生一个扩展器。”
为了解决这个问题，Shine“缩小”并在更大的全球范围内观察连接模式，这需要更复杂的数学来描述。
“这些图表受制于更复杂的连接模式，是一个相对较新的研究领域，”Shine说。“我们在全球连接方面所做的事情很难用简洁的方式描述。”
她的目标是捕捉全局结构中最重要的部分，并将其他部分随机化，因此模拟是真实的。在连接性的一个例子中，Shine和Kempe的模型优于先前专注于更多本地特征的模型:匹配人与人之间的分离程度。
Shine说:“我的生成图形模型在匹配较长的分离度时比匹配较短的分离度时更好。”“为了匹配较短的分离度，扩展器图工作得很好，因为图是高度连接的。”
夏恩在加州克莱蒙特长大，本科毕业于波莫纳学院(Pomona College)。今年秋天，她在纽约的Facebook找到了一份工作，在南加州大学求学期间，她还在那里完成了两次实习。她希望她的工作可以帮助其他研究小组，他们可能无法获得大量的真实数据，以更准确地模拟现实世界事件的可能结果。
发布于2020年10月12日
最后更新于2021年4月8日
