月文献总结（2022.12）

一、The effectiveness of backward contact tracing in networks

Q1：论文试图解决什么问题？

文章试图提出一种新的接触追踪方式——逆向接触追踪，并研究其在网络中抑制流行病传播的有效性。 

Q2：这是否是一个新的问题？

在网络中研究接触追踪不是一个新问题，但文章中提出的逆向接触追踪却是一个新方法。

Q3：这篇文章要验证一个什么科学假设？

这篇文章想要验证接触追踪的有效性源于网络异质性导致的统计偏向，而采取逆向接触追踪可以更好地利用这种统计偏向，从而达到比正向追踪更好的有效性，对网络中流行病爆发具有很好的抑制效果。

Q4：有哪些相关研究？如何归类？

在这之后有许多类似的逆向接触追踪方法的研究。

Q5：论文中提到的解决方案之关键是什么？

关键在于发现了异质网络中的一种统计偏向，并且找到了一种可行的办法——“基于频繁度的接触追踪”，将这种统计偏向利用起来（通过这种方式寻找到的节点的度正比于k^2*Pk）。

Q6：论文中的实验是如何设计的？

文章中设计了四个实验。

第一个实验分别通过理想的逆向接触追踪方法（a,b,c），较为容易实现的基于频繁度的接触追踪方法（b,d,f），分别在BA网络（合成网络），人员聚集网络（合成网络），学生接触网络（真实网络）三种不同的网络中进行抽样模拟，观察抽到的节点的互补累积分布函数与度之间的变化关系。

第二个实验分别在人员接触网络（a-f）、人员聚集网络（g-l）两种合成异质网络中，通过调整发现染病节点概率Ps、隔离染病节点概率Pt、隔离数量n三个参数来观察染病节点数量的变化和成本效益（预防节点数/隔离节点数）。

第三个实验与第二个实验类似，通过调整发现染病节点概率Ps、隔离染病节点概率Pt、隔离数量n三个参数来观察染病节点数量的变化和成本效益（预防节点数/隔离节点数），只不过使用的网络是学生接触网络（真实网络）。

第四个实验是通过渗流的方法计算得出流行病爆发的概率Π，并通过调整参数逆向接触追踪概率P、传染率T和隔离失败概率f，来观察其对流行病爆发概率Π的影响。

Q7：用于定量评估的数据集是什么？代码有没有开源？

数据集大多是通过BA模型生成的网络，此外还有一个哥本哈根大学567名大学生的真实行动轨迹数据。

代码在github上是开源的。

Q8：论文中的实验及结果有没有很好地支持需要验证的科学假设？ 

实验及结果都很好地支持了需要验证的科学假设。

第一个实验验证了异质网络中确实存在一种统计偏向，且采取文章中提出的逆向接触追踪方法可以很好地利用这种统计偏向。

第二个实验验证了逆向接触追踪在一些合成异质网络中的有效性和很高的成本效益。

第三个实验验证了逆向接触追踪在真实异质网络中的有效性，但成本效益并不明显。

第四个实验验证了逆向接触追踪能够有效抑制网络中流行病的爆发。

Q9：这篇论文到底有什么贡献？

这篇论文提出了一个可行的逆向接触追踪方法，并通过实验证明，其可以用于寻找网络中的那些超级传播者，从而很好地抑制流行病的爆发。

Q10：下一步呢？有什么工作可以继续深入？

由于现实情况中的逆向接触追踪是存在延迟效应的，而文章中针对这种延迟效应仅仅是体现于参数的设置，可能并不太符合实际，因此下一步可以对不同延迟时间而影响的效果进一步研究。

其次文章中提到了一个人员聚集网络，其与中国实际防疫政策中的隔离区域很像，可以结合实际做进一步的调研和拓展。