A Mean-Field Team Approach to Minimize the Spread of Infection in a\n Network
Notice bibliographique
Résumé
In this paper, a stochastic dynamic control strategy is presented to prevent\nthe spread of an infection over a homogeneous network. The infectious process\nis persistent, i.e., it continues to contaminate the network once it is\nestablished. It is assumed that there is a finite set of network management\noptions available such as degrees of nodes and promotional plans to minimize\nthe number of infected nodes while taking the implementation cost into account.\nThe network is modeled by an exchangeable controlled Markov chain, whose\ntransition probability matrices depend on three parameters: the selected\nnetwork management option, the state of the infectious process, and the\nempirical distribution of infected nodes (with not necessarily a linear\ndependence). Borrowing some techniques from mean-field team theory the optimal\nstrategy is obtained for any finite number of nodes using dynamic programming\ndecomposition and the convolution of some binomial probability mass functions.\nFor infinite-population networks, the optimal solution is described by a\nBellman equation. It is shown that the infinite-population strategy is a\nmeaningful sub-optimal solution for finite-population networks if a certain\ncondition holds. The theoretical results are verified by an example of rumor\ncontrol in social networks.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».