Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2509.11706

帮助 | 高级搜索

计算机科学 > 社会与信息网络

arXiv:2509.11706 (cs)
[提交于 2025年9月15日 ]

标题: SIS模型在网络上的阈值和准平稳分布

标题: The threshold and quasi-stationary distribution for the SIS model on networks

Authors:George Cantwell, Cristopher Moore
摘要: 我们研究任意网络上的易感-感染-易感(SIS)模型。 已建立的对近似方法精确处理节点的相邻对,而对网络的其余部分进行平均场近似。 我们通过动态扩展状态空间来改进该方法,使节点具有最后一次变为易感的时间记忆。 所得近似方法易于实现,在确定流行病阈值以及计算阈值以上准稳态感染个体的比例方面,对于有限图和无限随机图都表现出高度准确性。
摘要: We study the Susceptible-Infectious-Susceptible (SIS) model on arbitrary networks. The well-established pair approximation treats neighboring pairs of nodes exactly while making a mean field approximation for the rest of the network. We improve the method by expanding the state space dynamically, giving nodes a memory of when they last became susceptible. The resulting approximation is simple to implement and appears to be highly accurate, both in locating the epidemic threshold and in computing the quasi-stationary fraction of infected individuals above the threshold, for both finite graphs and infinite random graphs.
主题: 社会与信息网络 (cs.SI) ; 统计力学 (cond-mat.stat-mech); 物理与社会 (physics.soc-ph)
引用方式: arXiv:2509.11706 [cs.SI]
  (或者 arXiv:2509.11706v1 [cs.SI] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.11706
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: George Cantwell [查看电子邮件]
[v1] 星期一, 2025 年 9 月 15 日 09:07:04 UTC (64 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.SI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-09
切换浏览方式为:
cond-mat
cond-mat.stat-mech
cs
physics
physics.soc-ph

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号