Modeling self-sustained activity cascades in socio-technical networks
理解并最终预测社交网络中信息和激活级联的出现的能力是复杂社会技术系统研究的核心。然而，社会互动的复杂性使这成为一项具有挑战性的事业。以前的级联模型的工作假设，这种集体现象的出现是在当地附近的个人观察到的活动，但不考虑是什么决定了随时间变化的过程中传播信息的意愿。在这里，我们提出了一个机械模型，占在一个简化的设置中的个人状态的时间演变。我们将个体的活动建模为一个复杂的相互作用的集成和发射振荡器网络。该模型再现了真实系统中级联的统计特性，为研究状态依赖活动情景下级联的时间演化提供了框架。
2013-05-18 cs.SI physics.soc-ph
Seed selection for information cascade in multilayer networks
信息传播是在线社交媒体领域的一个有趣领域。在这项工作中，我们正在研究如何以及不同的种子选择策略影响的传播过程中使用独立的级联模型模拟十八个多层社交网络。基于从Facebook公共页面提取的用户交互数据构建了15个网络，其中树是从公共存储库下载的多层网络（其中两个是Twitter网络）。结果表明，单层网络的各种最先进的种子选择策略，如K-Shell或VoteRank，在多层网络上表现不佳，并且被度中心性所超越。
2017-10-12 cs.SI physics.soc-ph
A framework for cascade size calculations on random networks
本文提出了一个框架来计算一类随机网络系综上的级联模型在无限网络规模下的级联规模演化。我们的方法是准确的，并适用于网络集成几乎任意度分布，度-度相关性，并在阈值模型的情况下，任意阈值分布。通过我们的方法，我们将视角从已知的分支过程近似转移到合适的概率分布的迭代更新。这种分布是捕捉级联动态的关键，级联动态可能涉及连续的量，并取决于级联历史，例如，如果负载随着时间的推移而积累。这些分布尊重所研究的随机过程的马尔可夫性质。随机变量捕捉在过去任何时候失败的节点对其邻居的影响。作为概念证明，我们提供了两个例子：（a）恒定负载模型，涵盖了许多分析上易于处理的级联模型，以及，作为一个亮点，（b）纤维束模型，这是不容易处理的分支过程近似之前。我们的推导涵盖了整个级联动力学，而不仅仅是它们的稳态。这允许在分析中包括时间上的干预或进一步的模型复杂性。
2017-01-18 cs.SI physics.soc-ph
Inferring Network Structure from Cascades
许多物理、生物和社会现象都可以用网络上发生的级联来描述。通常，活动可以凭经验观察到，但不能观察到潜在的相互作用网络。在本文中，我们提供了三个拓扑方法来推断任何有向网络的结构给定的级联到达时间的集合。我们的公式适用于一类非常普遍的模型，其中节点的激活概率是其度和活跃邻居数量的通用函数。我们报告合成和真实网络的高成功率，几个不同的级联模型。
2017-07-21 cond-mat.dis-nn cs.SI physics.soc-ph
Cascades on Networks with Functional Structure
Technical University of Munich, School of Computation Information and Technology, Department of Mathematics（慕尼黑工业大学计算信息与技术学院数学系）；Munich Data Science Institute（慕尼黑数据科学研究所）；Complexity Science Hub Vienna（维也纳复杂性科学中心）
研究有向多重配置模型网络上的Watts阈值模型，分析其级联相关指标；引入“约束多重网络”，发现功能结构特定选择对级联模型相变有多种影响。
2026-07-13 cs.SI math.PR nlin.AO
Trend-driven information cascades on random networks
全球级联的阈值模型已被广泛用于模拟现实世界的集体行为，如时尚的传染性传播和新技术的采用。这些级联模型的一个共同特性是，一个极小的种子部分可以通过局部感染传播到无限大网络的有限部分。然而，在社会和经济网络中，个人的行为往往不仅受到其直接邻居的影响，而且还受到大多数人作为一种趋势的影响。趋势影响个人的行为，而个人的行为创造了趋势。为了分析这种局部和全局尺度现象之间的复杂相互作用，我通过引入一种新类型的节点，称为\textit{global nodes}（或\textit{trend followers}），其激活概率取决于全局尺度趋势，特别是激活节点在种群中的百分比，来推广标准阈值模型。该模型表明，一旦出现趋势，全球节点就起到了加速级联的作用，同时降低了趋势出现的概率。因此，全球节点要么促进级联，要么抑制级联，这表明，适度份额的趋势追随者可以最大限度地提高级联的平均规模。
2015-12-02 cs.SI physics.soc-ph
On Watts' Cascade Model with Random Link Weights
我们研究了Duncan Watts在2002年提出的社交网络中的信息级联模型的一个扩展，该模型中的边权重是随机的，这是一个创新，其动机是最近将级联分析应用于金融网络中的系统性风险。主要结果是一个概率分析，其特征级联在一个无限的网络作为一个向量值映射的不动点，明确的卷积积分，可以有效地评估使用快速傅立叶变换算法的数值。第二个结果给出了近似的概率分析级联的“现实世界的网络”，有限网络的基础上一个固定的确定性图。广泛的交叉测试与蒙特卡罗估计表明，这种近似分析表现令人惊讶的好，并提供了一个灵活的显微镜，可用于调查在现实世界中的网络在广泛的模型参数的信息级联的属性。
2012-11-24 cond-mat.dis-nn cs.SI physics.soc-ph
Phantom cascades: The effect of hidden nodes on information diffusion
对信息扩散的研究通常假设对底层网络的完全了解。然而，在诸如隐私意识的提高、应用程序编程接口（API）和采样策略的限制等因素的存在下，这种假设在现实世界中很少成立，这反过来又导致低估了信息级联的大小。在这项工作中，我们研究了隐藏的网络结构对信息扩散过程的影响。我们通过激活路径遍历网络的可见和隐藏部分来传递信息。我们量化扩散估计误差，而不同的隐藏结构的数量在五个经验和合成的网络数据集，并展示了拓扑属性对这个错误的影响。最后，我们提出了实用的建议，为从业者，并提出了一个模型来预测级联的大小与底层网络的最小信息。
2015-05-21 cs.SI physics.soc-ph
Cascades on a class of clustered random networks
我们提出了一种分析方法，用于确定具有任意度分布和非零集群的随机网络类的广泛动态模型中的预期级联大小，该随机网络在[ME J Newman，Phys. Rev. Lett. 103，058701（2009）]。全球级联的存在条件，以及推导出一个一般的标准，它决定是否增加集群的水平将增加，或减少，预期的级联大小。应用程序，其中提供的例子，包括网站渗流，债券渗流，和瓦茨的阈值模型，在所有情况下，分析结果给出了良好的协议与数值模拟。
2011-04-05 cond-mat.stat-mech cs.SI physics.soc-ph
Understanding and forecasting lifecycle events in information cascades
大多数社交网站允许用户重新分享用户发布的信息。随着时间的推移，重新共享的级联增长，最终在一定时间段后饱和。虽然以前的研究主要集中在级联现象的一个方面，特别是预测级联何时会病毒式传播，但在本文中，我们通过分析级联生命周期中两个事件的发生采取了一种更全面的方法-最大增长期在重新共享方面的激增和级联开始下降的时期。我们解决的挑战，在确定这些时期，然后进行比较分析，这些时期的网络拓扑结构的角度。我们研究了几个节点为中心的结构措施的影响，使用格兰杰因果关系，这有助于我们量化的网络措施的意义，并了解在何种程度上网络拓扑结构的增长动力学的影响。该评估是在从微博社交网络中提取的7407个级联的数据集上进行的。使用我们的因果关系框架，我们发现，基于节点度的熵测度因果地影响了93.95%的级联中这些事件的发生。令人惊讶的是，这优于聚类系数和PageRank，我们假设这将更能反映基于早期研究的增长动态。我们还扩展了格兰杰因果向量自回归（VAR）模型预测事件发生在级联生命周期的时间。
2020-03-23 cs.SI physics.soc-ph
Vulnerability and co-susceptibility determine the size of network cascades
在网络中，局部扰动可以传播并最终导致系统的相当大一部分失效，这是一种很容易概念化但非常难以预测的级联事件。在这里，我们开发了一个统计框架，可以预测级联大小分布，只结合两个成分：单个组件的脆弱性和组件组的共易感性（即，他们一起失败的倾向）。作为一个代表性的例子，在电网中使用级联，我们表明，组件故障之间的相关性定义结构化的，往往令人惊讶的大群体的共同敏感的组件。除了对停电研究的影响外，这些结果还为理解金融系统、食物网和复杂网络中的级联提供了新的见解和建模框架。
2017-01-26 cond-mat.dis-nn cs.SI physics.soc-ph
Why Do Cascade Sizes Follow a Power-Law?
本文引入随机有向无环图，并利用它对信息扩散网络进行建模。随后，我们分析了Leskovec等人[19]引入的级联生成模型（CGM）。到目前为止，对这一模型的实证研究还很少。在本文中，我们提出的第一个理论证明，由CGM产生的级联的大小遵循幂律分布，这是符合多个大型社交网络的实证分析。我们将我们的模型的假设与Twitter社交网络进行了比较，并测试了近似的良好性。
2017-02-20 cs.CY cs.SI
Hierarchical Information Enhancement Network for Cascade Prediction in Social Networks
University of Science and Technology of China（中国科学技术大学）；CETC Academy of Electronics and Information Technology Group Co（中国电子科技集团公司电子科学研究院）
针对现有级联预测方法未能利用不同模态间分层语义关联的问题，提出分层信息增强网络HIENet，融合级联序列、社交图和子级联图，有效提升了预测性能。
2024-03-22 cs.AI cs.SI
Information Cascades in Feed-based Networks of Users with Limited Attention
我们建立了一个模型的信息级联反馈为基础的网络，考虑到有限的注意广度的用户，消息生成率和消息转发率。使用这个模型，我们通过模拟研究，用户注意力的程度上的级联成为病毒的概率的影响。在类比与分支过程中，我们估计的分支因子与级联过程中不同的注意广度和不同的转发概率，并证明，超过一定的注意广度，关键的转发概率存在，构成一个阈值后，级联可以成为病毒。关键转发概率与注意广度成反比关系。接下来，我们为我们的模型开发了一种半分析方法，该方法允许我们确定给定消息生成率，消息转发率和注意广度值的分支因子。使用这种分析方法得到的分支因子显示出良好的协议，通过模拟得到的。最后，我们分析了从Twitter获得的事件特定数据集，并表明估计的分支因子与不同标签相关的级联大小分布相关。
2015-08-27 cs.SI physics.soc-ph
Ex ante prediction of cascade sizes on networks of agents facing binary outcomes
在本文中，我们考虑了在具有外部性的二元选择模型中对级联规模进行事前预测的可能性（Schelling 1973，Watts 2002）。代理连接在网络上，可以处于两种状态之一，0或1。最初，所有种子都处于状态0，随机选择少量种子切换到状态1。一个简单的阈值规则指定其他代理是否随后切换。级联大小（渗流）是最终切换到状态1的所有代理的比例。我们选择的初始种子的连接，他们连接到代理的连接，这些后者的代理的阈值，和这些连接到代理的阈值的信息。我们得到了随机网络、小世界网络和无标度网络在不同网络参数和初始种子数下的结果。这些因素的结果是稳健的。我们对这些潜在的解释变量进行级联大小的logit变换的最小二乘回归（Hosmer和Lemeshow 1989）。我们发现相当大的解释力的级联规模的事前预测。对于随机网络，平均32%的级联大小的方差的解释，40%的小世界和46%的无标度。连接性变量在回归中几乎没有意义，无论是与种子本身有关还是与种子连接的代理。相反，关于代理人阈值的信息包含更多的解释力。这支持了Watts和Dodds（2007）的猜想。大规模的级联是由一小部分容易受影响的代理人驱动的。
2011-03-17 cs.SI physics.soc-ph
Full-scale Cascade Dynamics Prediction with a Local-First Approach
信息级联在各种社交网站中无处不在。是什么机制推动信息在网络中扩散？级联的结构和大小如何随时间演变？什么时候以及哪些用户会采用某个消息？探讨这些问题可以大大加深我们对信息级联的理解，并促进各种重要的应用，包括病毒式营销，谣言预防，甚至链接预测。以往的研究大多只关注最终叶栅尺寸的预测。同时，这些方法都是依赖于叶栅图的方法，这使得它们趋向于大叶栅的预测，并导致了只有在叶栅已经变得很大之后才能预测的批评。在本文中，我们研究了一个基本问题：全尺寸叶栅动力学预测。也就是说，如何预测何时以及哪些用户在级联过程的任何时间点被激活。在这里，我们提出了一个统一的框架，FScaleCP，来解决这个问题。给定历史级联，我们首先将局部传播行为建模为分类问题。通过数据驱动的学习，我们通过测量级联动态的驱动机制来识别共同的模式。在此基础上，我们提出了一种直观的异步传播方法，通过有效地聚集当地的传播行为，全尺寸的级联动力学预测。在社交网络数据集上的大量实验表明，该方法的性能明显优于其他最先进的基线。
2015-12-28 cs.SI physics.soc-ph
Autoregressive Cascades on Random Networks
本文考虑了随机网络上级联的一个模型，其中任意节点的级联传播依赖于失效邻居的负载、邻居的度以及该节点的负载。网络中的每个节点承载低于节点容量的初始负载。级联的触发源来自单个节点或一小部分来自外部冲击的节点。一旦发生故障，故障节点上的负载将被随机分配，并添加到尚未发生故障的相邻节点上的现有负载中。随后，如果相邻节点的累积负载超过其容量，则相邻节点失效。然后，故障节点在该过程中不再起作用。一旦所有尚未发生故障的节点的累积负载低于其各自的容量，级联过程就会停止。该模型被证明是在两个制度，其中一个级联终止只有有限数量的节点故障。在另一种情况下，级联很可能无限期地继续下去。得到了发生相变的临界参数的界。
2014-11-14 cs.SI math.PR physics.soc-ph
Cascade Size Distributions: Why They Matter and How to Compute Them Efficiently
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）；Harvard Medical School（哈佛医学院）
级联模型是理解、预测和控制流行病传播和信息传播的核心。相关的优化，包括影响力最大化、模型参数推断或疫苗接种策略的开发，在很大程度上依赖于从模型中采样。这要么是低效的，要么是不准确的。作为替代方案，我们提出了一个有效的消息传递算法，计算加权有向网络和推广的独立级联模型的级联大小的概率分布。我们的方法是精确的树，但可以应用于任何网络拓扑结构。它很好地近似了局部树状网络，可以扩展到大型网络，并且可以在更密集的网络上获得令人惊讶的良好性能，因为我们也可以在真实世界的数据上进行扩展。
2020-12-16 cs.AI cs.SI physics.soc-ph
Information cascade on networks
在本文中，我们通过考虑三种不同类型的网络来讨论投票模型：随机图，Barabási-Albert（BA）模型和适应度模型。投票模式代表了公众的看法传达给选民的方式。我们的投票模型是通过使用两种类型的选民-牧民和独立-和两个候选人。独立者根据其基本价值观进行投票;另一方面，牧民根据以前的投票次数进行投票。因此，牧民投票给多数派候选人，并从他们的网络获得与以前投票有关的信息。我们讨论了网络所依赖的相位之间的差异。发现了两种相变，即信息级联相变和超常相变。第一个是在大多数选民做出正确选择的国家和大多数选民做出错误选择的国家之间的过渡。二是收敛速度的转变。当herder效应强于超常跃迁时，信息级联跃迁占优势。在BA和适应度模型中，信息级联转移的临界点与随机网络模型相同。然而，当使用这两个模型时，超常规转变的临界点消失。总之，网络的影响只影响收敛速度，而不是信息级联过渡。因此，我们可以得出结论，枢纽对选民看法的影响是有限的。
2015-12-15 cs.SI physics.soc-ph
Cascading behavior of an extended Watts model on networks
在这项研究中，我们提出了一个扩展的瓦特模型来研究的影响，发起人的信息级联。扩展的Watts模型假设，由于发起者的显著影响，与发起者有连接的节点比其他节点具有较低的采用阈值。我们开发了一个树近似来描述扩展的Watts模型在随机网络中的活动节点分数，并推导出一个全球级联发生的级联条件与一小部分的发起人。通过分析Erdos-Renyi随机图上扩展Watts模型的活动节点分数和级联窗口，我们发现增加引发剂的影响有助于全局级联的可能性，即，有多少节点最终变为活动的显著地受发起者的分数和直接连接到发起者的节点的阈值的影响，所述发起者的分数和节点的阈值在早期阶段确定级联动态。
2022-11-05 cs.SI physics.soc-ph
Effects of temporal correlations on cascades: Threshold models on temporal networks
一个人采纳一个想法或产品的决定往往是由同龄人的决定驱动的，并通过社会关系网络进行调解。采用动态建模的一种常见方法是使用阈值模型，其中节点可以成为采用者，只要与采用的邻居有足够高的联系率。我们研究的阈值模型，同时考虑到网络拓扑结构和时间的接触，使用经验接触序列作为基板的动态。这些模型的设计是这样的，采用是由在选定的时间内与不同采用邻居的联系数量驱动的。我们发现，虽然有些网络支持级联导致网络级采用，有些不：传播的采用取决于几个因素，从接触的频率，突发性和时间的联系序列的相关性。更具体地说，突发性被认为是抑制级联的大小相比，随机的接触时间，而相邻链路上的接触之间的时间相关性，促进级联。
2014-06-27 cs.SI physics.data-an physics.soc-ph
Inferring Diffusion Structures of Heterogeneous Network Cascade
针对异构网络级联中的潜在扩散结构推断问题，提出一种双重混合有向图模型，以凸优化形式实现多层扩散网络估计，并具备统计与计算保证，模拟及实证研究验证其有效性。
2025-06-23 cs.SI stat.ML
Cascade-LSTM: Predicting Information Cascades using Deep Neural Networks
University of South Florida（南佛罗里达大学）
预测动态社会环境中的信息流与当代社会的许多领域相关，从传播医疗保健信息到模因跟踪。虽然预测信息级联的增长已经在不同的社交平台上成功地解决了，但预测信息级联的时间和拓扑结构的探索有限。然而，准确预测有多少用户将发送特定用户的消息以及何时发送对于设计实用的干预技术至关重要。本文利用长短期记忆（LSTM）神经网络技术来预测信息级联的两个时空特性，即个体级信息传输的大小和速度。我们将这些预测算法与级联树的概率生成结合到一个生成测试模型中，该模型能够在Reddit和Github两个不同的平台上准确地生成级联树。我们的方法导致信息传递者的分类准确率超过73%，各种社交平台中的早期传递者的分类准确率为83%。
2020-04-26 cs.LG cs.SI
Threshold-limited spreading in social networks with multiple initiators
社会影响力驱动的观点改变的经典模型是阈值模型。在这里，我们研究的情况下，多个{ \it发起者}触发级联的阈值模型动态驱动的意见变化的级联，所有节点具有相同的采用阈值$ϕ$。具体而言，使用经验和程式化模型的社交网络，我们研究级联大小作为一个函数的发起分数$p$。我们发现，即使对于任意高的值的$ϕ$，存在一个临界引发剂分数$p_c(ϕ)$超过该级联成为全球。网络结构，特别是集群，在这种情况下起着重要的作用。类似于以前研究的单节点或单集团发起人的情况下，我们观察到，网络内的社区结构促进意见传播到更大程度上比一个同质的随机网络。最后，我们研究了不同的引发剂选择策略的级联的大小和级联窗口的效果。
2013-06-26 cond-mat.stat-mech cs.SI physics.soc-ph
Incomplete Gamma Integrals for Deep Cascade Prediction using Content, Network, and Exogenous Signals
Jadavpur University（贾达普大学）；Adobe（奥多比）
信息级联（如转发）的行为已被广泛建模。虽然基于点过程的生成模型长期以来一直用于估计级联增长，但深度学习极大地增强了多样化特征的集成。我们观察到两个显着的时间信号级联数据，尚未强调或报告给我们的知识。首先，级联根的受欢迎程度会强烈影响级联大小，但这种影响会随着时间的推移而迅速下降。第二，在根内容的新颖性（相对于流外部语料库）和所得到的级联的相对大小之间存在可测量的正相关性。针对这些观察结果，我们提出了GammaCas，这是一种新的级联增长模型，作为时间的参数函数，它结合了来自内容的深度影响信号（例如，推文文本），网络特征（例如，根用户的追随者），以及外生事件源（例如，在线新闻）。具体来说，我们的模型通过定制的循环网络处理这些信号，然后其状态提供级联速率函数的参数，该参数随时间积分以预测级联大小。网络参数使用观察到的级联进行端到端训练。GammaCas在一个大规模的转发级联数据集上的表现明显优于七个最近的不同基线，再加上时间对齐的在线新闻-它击败了最好的基线，在肯德尔的$τ$相关性方面增加了18.98%，平均绝对百分比误差减少了$35.63$。广泛的消融和案例研究发掘有趣的见解关于转推级联动态。
2021-06-13 cs.LG cs.SI
Causal motifs and existence of endogenous cascades in directed networks with application to company defaults
基于对经济中违约级联的检测，本文提出了一个基于因果模体的内生性违约扩散检测框架。我们假设一个顶点的状态变化可以由一个内源性或外源性事件触发，底层网络是有向的，顶点改变状态的时间是可用的。除了公司违约的数据，我们还模拟了不同的随机过程驱动的级联在不同的合成网络。我们发现，一些最小的图案可以鲁棒地检测内源性传播事件。最后，我们将该方法应用于克罗地亚公司的违约数据，并观察内生级联可能发生的时间窗口。
2021-12-08 cond-mat.stat-mech cs.SI econ.EM
Universal Boolean Logic in Cascading Networks
可以进行级联的网络的计算特性进行检查。它表明，通用的布尔逻辑电路可以计算的全球级联具有拮抗作用。探讨了这种拮抗模型的确定性和级联频率，以及它执行分类的能力。级联逻辑的普适性可能具有深远的影响，因为它可以使计算理论与渗透理论统一起来。
2019-10-13 cs.SI physics.bio-ph physics.data-an
Estimating Diffusion Network Structures: Recovery Conditions, Sample Complexity & Soft-thresholding Algorithm
信息在社会和技术网络中传播，但网络结构往往对我们隐藏，我们只能观察到被称为级联的扩散过程留下的痕迹。我们能从这些观察到的级联中恢复隐藏的网络结构吗？我们需要什么样的级联和多少级联？是否有一些网络结构比其他网络结构更难恢复？我们能否设计出具有可证明保证的高效推理算法？尽管越来越多的级联数据和方法从这些数据推断网络，一个彻底的理论理解上述问题仍然在很大程度上未在文献中探索。在本文中，我们研究了一般家庭的连续时间扩散模型使用$l_1$正则似然最大化框架的网络结构推断问题。我们表明，只要级联采样过程满足自然的不相干条件，我们的框架可以恢复正确的网络结构，如果我们观察到$O(d^3 \log N)$级联，其中$d$是一个节点的父母的最大数量和$N$是节点的总数。此外，我们开发了一个简单而有效的软阈值推理算法，我们用它来说明我们的理论结果的后果，并表明我们的框架在实践中优于其他替代方案。
2014-05-12 cs.SI physics.soc-ph stat.ML
Quickest Inference of Susceptible-Infected Cascades in Sparse Networks
我们考虑尽可能快地估计网络级联的任务。级联被假定为传播根据一般的易感感染的过程与异构传输速率从网络中的未知源。虽然传播不是直接可观察的，但关于其传播的噪声信息可以通过多轮易出错的诊断测试来收集。我们提出了一种新的自适应程序，快速输出估计级联源和全传播下，这个观察模型。值得注意的是，在网络拓扑结构上的温和条件下，我们的程序能够估计$n$ -顶点网络中级联的完全扩展，在$\mathrm{poly log}(n)$顶点受到级联影响之前。我们补充我们的理论分析与仿真结果说明我们的方法的有效性。
2023-02-10 cs.IT cs.SI math.IT
Bayesian inference of network structure from information cascades
传染过程与其传播的网络结构密切相关，了解这些结构对于理解和干预复杂的网络过程（如流行病和（错误）信息传播）至关重要。然而，利用传染数据来推断网络结构是一个具有挑战性的逆问题。特别是，在网络结构估计中必须有适当的不确定性度量，但在大多数机器学习方法中，这些度量在很大程度上被忽略了。我们提出了一个概率框架，该框架使用与观察到的动态相兼容的网络分布样本来产生网络和不确定性估计。我们证明了该方法使用著名的独立级联模型从网络P（G）的分布采样的条件下，观察一组感染C。我们通过使用分布中每个边缘的边缘概率来评估该方法的准确性，并展示了量化不确定性以提高估计和理解的好处，特别是在少量数据的情况下。
2019-08-09 cs.SI physics.data-an physics.soc-ph
Small vulnerable sets determine large network cascades in power grids
复杂系统连锁故障的理解一直受到阻碍，缺乏现实的大规模建模和分析，可以解释可变的系统条件。在这里，使用北美电网，我们确定，量化和分析的网络组件，容易受到级联故障在任何多种条件下。我们表明，脆弱的一组由一个小的，但拓扑中心的网络部分，大级联不成比例地更有可能被触发的初始故障接近这一集。这些结果阐明了与电网设计和运行相关的级联故障的起源和原因，并展示了适用于更广泛的级联网络的脆弱性分析方法。
2018-04-17 cond-mat.dis-nn cs.SI nlin.AO
Explicit Time Embedding Based Cascade Attention Network for Information Popularity Prediction
Soochow University（苏州大学）；Georgia Institute of Technology（佐治亚理工学院）
针对信息级联流行度预测中多类信息未有效统一的问题，提出融合时间嵌入与双注意力编码器的TCAN模型，在两个真实数据集上多项指标优于基线且可解释性好。
2023-08-19 cs.AI cs.IR cs.SI
Characterizing Strategic Cascades on Networks
疾病的传播、信息和谣言的传播、新产品的采用以及许多其他网络现象都可以被有效地建模为级联过程，其中节点选择的行为会影响网络图中邻居的后续行为。目前关于级联的文献倾向于假设节点根据其他节点已经采取的选择状态进行近视性选择。我们研究了战略选择的可能性，代表节点的代理人预测尚未决定的其他人的选择，并考虑到他们自己对这些选择的影响。我们的研究采用了Chierichetti等人的框架。[2012]，他们（在近视节点行为的假设下）研究了节点决策的调度，以促进调度程序首选的产品采用级联。我们表明，当节点的行为策略，结果可能是非常不同的。我们展示的情况下，在战略设置100%的代理采用，但在近视设置只有一个任意小的100%。相反，我们提出的情况下，在战略设置0%的代理人采用，但在近视设置（100- 100）%做，任何常数100> 0。此外，我们证明了一些性质的级联过程的战略代理，在一般情况下，并为特定类别的图形。
2014-04-17 cs.GT cs.SI physics.soc-ph
Predicting Diffusion Reach Probabilities via Representation Learning on Social Networks
Boğaziçi University（博阿齐奇大学）
网络上两个节点之间的扩散到达概率被定义为从一个节点发起的级联到达另一个节点的概率。无限数量的级联将使得能够计算任何两个节点之间的真实扩散到达概率。然而，级联的数量有限，人们通常只能使用所有可用级联中的一小部分。在这项工作中，我们解决的问题，估计扩散到达概率只给出了有限数量的级联和部分信息的基础网络结构。我们提出的策略采用节点表示学习来生成节点嵌入并将其馈送到机器学习算法中，以创建预测扩散到达概率的模型。我们提供了实验分析，在两个现实世界的社交网络上使用综合生成的级联。计算结果表明，在叶栅所占比例较小的情况下，该方法优于现有叶栅计算值。
2019-01-12 cs.LG cs.SI stat.ML
DeepCas: an End-to-end Predictor of Information Cascades
University of Michigan（密歇根大学）
大多数社交网络平台有效促进的信息级联被认为是这些网络中几乎每一次社交成功和灾难的主要因素。可以预测级联吗？虽然许多人认为它们本质上是不可预测的，但最近的研究表明，信息级联的一些关键属性，如大小，增长和形状，可以通过结合许多特征的机器学习算法来预测。这些预测器都依赖于一组手工制作的特征来表示级联网络和全局网络结构。这些特性总是经过精心设计，有时甚至是神秘的设计，不容易扩展或推广到不同的平台或领域。受最近深度学习在多个数据采掘任务中取得成功的启发，我们研究了端到端的深度学习方法是否可以有效地预测级联的未来大小。这种方法自动学习全局网络结构上下文中的各个级联图的表示，而无需手工制作的特征和算法。我们发现，节点嵌入的预测能力不足，它是至关重要的学习表示的级联图作为一个整体。我们提出了以端到端的方式学习级联图表示的算法，该算法显着提高了级联预测在强基线上的性能，包括基于特征的方法，节点嵌入方法和图形内核方法。我们的研究结果也提供了有趣的影响级联预测一般。
2016-11-16 cs.LG cs.SI
PersonalityGate: A General Plug-and-Play GNN Gate to Enhance Cascade Prediction with Personality Recognition Task
级联预测是从宏观或微观两个方面来估计级联的大小或状态。这对于理解社交网络中的谣言传播和新技术传播等信息扩散过程至关重要。最近，代替提取手工制作的特征或将级联序列嵌入到用于级联预测的特征向量中，引入了图神经网络（GNNs）以利用控制级联效应的网络结构。然而，这些模型没有考虑到社会因素，如人格特质，驱动人类参与信息扩散过程。在这项工作中，我们提出了一种新的多任务框架，用于增强级联预测与个性识别任务。特别地，我们设计了一个通用的即插即用的GNN门，命名为PersonalityGate，耦合到现有的基于GNN的级联预测模型，以提高其有效性，并提取个人的个性特质。在两个真实世界数据集上的实验结果证明了我们提出的框架在增强基于GNN的级联预测模型和预测个人人格特质方面的有效性。
2021-04-29 cs.SI
CasSeqGCN: Combining Network Structure and Temporal Sequence to Predict Information Cascades
信息级联研究的一个重要任务是根据信息过去的传播轨迹来预测信息的未来接收者。虽然网络结构是传播的骨干，但如果不了解网络上的动态，就很难做出准确的预测。扩展序列中的时间信息捕获了许多隐藏的特征，但是单独基于序列的预测有其局限性。最近的努力开始探索网络结构和时间特征相结合的可能性。在这里，我们提出了一种新的端到端的预测方法CasSeqGCN，其中的结构和时间特征同时考虑。级联被划分为多个快照，这些快照记录网络拓扑和节点状态。使用图卷积网络（GCN）来学习快照的表示。提出了一种基于动态路由的聚合方法来聚合节点表示，并利用长短期记忆（LSTM）模型来提取时态信息。与其他最先进的基线方法相比，CasSeqGCN更准确地预测了未来的级联大小。烧蚀研究表明，这种改善主要来自于输入层和GCN层的设计。我们明确地设计了一个实验来证明我们的方法学习的级联表示的质量优于其他方法。我们的工作提出了一种新的方法来结合结构和时间特征，这不仅为未来的级联预测研究提供了一个有用的基线模型，而且还为网络上和网络的动态相关的广泛问题带来了新的见解。
2022-03-17 cs.SI
Quickest Inference of Network Cascades with Noisy Information
我们研究的问题，估计源的网络级联给定的时间序列的噪声信息的传播。最初，有一个顶点受到级联（源）的影响，级联以离散的时间步长在网络中传播。级联演化是隐藏的，但是可以观察到来自每个顶点的噪声信号的时间序列。假设顶点的时间序列是独立同分布的序列。在级联影响顶点之前，来自改变前分布$Q_0$的样本，并且时间序列是i.i.d.级联影响顶点后，从更改后分布$Q_1$中采样。给定的时间序列的噪声信号，这可以被看作是一个嘈杂的测量的级联演变，我们的目标是设计一个程序，以可靠地估计级联源尽可能快。我们调查贝叶斯和极大极小公式的源估计问题，并获得近似最优估计简单的级联动态和网络拓扑结构。在贝叶斯设置中，观察样本直到贝叶斯最优估计器的误差下降到阈值以下的估计器实现最优性能。在极大极小条件下，通过设计一种新的多假设序贯概率比检验（MSPRT）来获得最优性能。我们发现，这些最优估计需要$\log \log n / \log (k - 1)$观测的噪声时间序列时，网络拓扑结构是$k$ -正则树，和$(\log n)^{\frac{1}{\ell + 1}}$观测所需的$\ell$维格。最后，我们将讨论如何将我们的方法扩展到任意图上的级联。
2022-11-12 cs.IT cs.SI math.IT
Cascades: A view from Audience
在过去的十年中，在线网络上的级联一直是一个热门的研究课题，有相当多的文献，如扩散机制，病毒式，级联预测和对等网络效应。然而，一个基本的问题得到了相对较少的关注：从用户的角度来看，社交媒体平台上的级联有多可取？虽然这个问题的各种版本都是从级联生产者的角度考虑的，但对这个问题的任何回答都必须考虑到级联对其受众的影响。在这项工作中，我们试图通过提供一个消费者的角度来填补这一空白。在线网络上的用户扮演着生产者和消费者的双重角色。首先，我们对Twitter用户与转发级联的互动进行了实证研究。我们测量了用户在他们的家庭时间轴中观察转发的频率，并观察到一种我们称之为“不受干扰的干扰”的现象：大小为k的级联的印象份额比大小为k的级联的频率衰减得慢。因此，即使是罕见的大型级联，级联的受众也可能相当大。我们还衡量观众参与与转推级联相比，非转推内容。我们的研究结果表明，级联往往竞争对手或超过有机内容的参与收到每印象。这一结果可能令人惊讶，因为消费者没有选择查看这些作者的推文。此外，尽管级联内容广泛流行，但人们会期望它最终到达可能对内容不感兴趣的部分受众。我们的研究结果的动机，我们建立了一个理论模型，重点是对观众的级联效应。我们对这个模型的研究结果突出了转推作为一个高质量的内容选择机制和网络用户在过滤不相关内容的作用之间的平衡。
2017-03-26 cs.SI
Catastrophic Cascade of Failures in Interdependent Networks
现代网络系统通常以这样一种方式耦合，即一个网络中的故障可以影响整个系统。在基础设施、生物学、社会学和经济学中，系统是相互关联的，在一个系统中发生的事件可以传播到任何其他耦合系统。最近的研究表明，这种耦合系统的耦合增加了他们的脆弱性随机故障。相互依赖网络的性质与单网络系统的性质有很大不同。在这篇文章中，这些结果进行了审查和讨论的主要性质。
2010-12-01 cond-mat.stat-mech cs.SI physics.comp-ph
Improving Information Cascade Modeling by Social Topology and Dual Role User Dependency
Fudan University（复旦大学）
社交网络上的信息扩散（也称为信息级联）由于其在许多领域的应用价值，在过去的十年中得到了大量的研究。近年来，包括递归神经网络模型在内的序列模型被广泛应用于信息级联的预测。然而，顺序模型捕获的级联序列中的用户依赖性通常是单向的，并且与扩散树不一致。例如，后继者的真实触发可以是非直接前导者而不是序列中的直接前导者。为了更充分地捕捉用户依赖关系，实现精确的级联建模，提出了一种非顺序信息级联模型TAN-DRUD（Topology-aware Attention Networks with Dual Role User Dependency）。受经典通信理论的启发，TAN-DRUD通过捕捉信息发送者和接收者的双重角色用户依赖关系，在信息级联建模方面取得了令人满意的性能。此外，TANDRUD将社交拓扑纳入两级注意力网络中，以增强信息扩散预测。我们在三个级联数据集上的大量实验表明，我们的模型不仅优于最先进的级联模型，而且能够利用拓扑信息和推断扩散树。
2022-04-07 cs.LG cs.SI
Uncovering Non-Normality in Information Flow: Network Structure and Dynamics of Social Media Cascades
Institute of Science Tokyo（东京科学大学）；Hirosaki University（弘前大学）；University of Aizu（会津大学）；The University of Tokyo（东京大学）
本研究通过谱非正态性量化X平台约58,000个级联网络，发现非正态性与峰值集中度强相关，且中期结构预测准确率可超80%，为信息扩散预测提供了新基准。
2026-10-28 cs.SI
Network reconstruction from infection cascades
传播动力学扩散的网络对于理解和控制它是必不可少的。在少数情况下，这些信息可以通过直接实验或由于传播数据的性质而获得。然而，在大多数情况下，关于网络的可用信息是间接的，来自动态的部分观测，使网络重建成为一个基本的逆问题。在这里，我们表明，它是可以重建的互动网络的整个结构，并同时推断激活传播的完整的时间过程中，只依赖于一个单一的时代（即快照）或时间分散的观察少量的活动级联。我们提出的方法是建立在一个信念传播近似，在各种各样的相关情况下，已显示出令人印象深刻的准确性，并能够推断存在不完整的时间序列数据的相互作用，通过提供一个详细的建模条件下的轨迹的后验分布的观察。此外，我们通过实验表明，完整的级联的信息内容是相对较小的稀疏观测或单快照。
2018-02-12 cond-mat.dis-nn cs.SI physics.soc-ph
A framework for analyzing contagion in assortative banking networks
我们引入了一个概率框架，代表程式化的银行网络的目的是预测传染事件的规模。大多数先前关于随机金融网络的工作都假设银行之间存在独立的联系，而我们的框架明确允许（区分）边缘概率（例如，小银行与大银行挂钩的趋势）。我们分析了冲击网络触发的默认级联，发现级联可以被理解为一组收敛到一个固定点的边缘概率上的显式迭代映射。我们推导出一个级联条件的特点是否无穷小的冲击网络可以增长到一个有限大小的级联，在类似的基本再生数$R_0$在流行病建模。级联条件提供了一个容易计算的措施，固有的系统性风险，在一个给定的银行网络拓扑结构。利用随机网络的逾渗理论，我们还导出了全局级联频率的解析公式。虽然分析方法推导出无限网络，我们证明使用蒙特卡罗模拟的适用性的结果，有限规模的网络。我们发现，边缘的可扩展性，节点连接到类似节点的倾向，可以有很强的影响，系统性风险的水平，衡量级联条件。然而，系统性风险的影响是微妙的，我们提出了一个简单的图论量，我们称之为图-系统性系数，可以用来评估系统性风险。
2016-10-13 cond-mat.stat-mech cs.SI physics.soc-ph
Cascade-driven opinion dynamics on social networks
Institute of Informatics and Telematics (IIT) of the National Research Council (CNR), Italy（意大利国家研究委员会信息学与遥测研究所）
本文提出 FJC 模型，整合信息 cascades 和意见动态，揭示社交化与新闻分享如何影响意见演变，强调中心意见领袖的影响力增强。
2026-03-16 cs.SI
Correlated Cascades: Compete or Cooperate
在现实世界的社交网络中，存在多个级联，它们很少是独立的。他们通常相互竞争或合作。受社会学中的强化理论的启发，我们利用这样一个事实，即用户对任何行为的采用都是由其邻居的行为聚合来建模的。我们使用一个多维标记霍克斯过程来模拟用户的产品采用，从而在社交网络的级联传播。由此产生的推理问题被证明是凸的，并通过使用障碍方法并行求解。所提出的模型的优点是双重的，它的模型相关的级联，也学习潜在的扩散网络。在Twitter、URL缩短和音乐流媒体服务中收集的合成数据集和两个真实数据集上的实验结果表明，所提出的模型优于其他模型。
2016-11-22 cs.SI
MANCaLog: A Logic for Multi-Attribute Network Cascades (Technical Report)
U.S. Military Academy（美国军事学院）；University of Oxford（牛津大学）；Naval Postgraduate School（海军研究生院）
在复杂网络形式的多智能体系统中的级联过程的建模，近年来已成为一个重要的研究课题，由于其许多应用：采用商业产品，疾病的传播，思想的传播等，在本文中，我们首先确定了一个必要的七个属性，一个框架建模这样的过程应该满足：表示节点和边的属性的能力、时间的显式表示、表示非马尔可夫时间关系的能力、不确定信息的表示、表示竞争级联的能力、允许非单调扩散以及计算易处理性。然后，我们提出了MANCaLog语言，一种基于逻辑编程，满足所有这些desiderata的形式主义，并专注于算法，寻找最小的模型（从级联的结果可以得到），以及如何这种形式主义可以应用在现实世界中的场景。我们不知道任何其他形式主义的文献，满足所有上述要求。
2013-01-19 cs.AI cs.LO cs.MA
Sequential Estimation of Network Cascades
我们考虑的问题，定位网络级联的源，给定一个嘈杂的时间序列的网络数据。最初，级联从一个未知的受影响的顶点开始，并在每个时间步确定性地传播。我们的目标是找到一个自适应的过程，尽可能快地输出源的估计，估计误差的约束。对于一般的一类图，我们描述了一个家庭的矩阵序贯概率比测试（MSPRTs）是一阶渐近最优的一个常数因子的估计误差趋于零。我们将我们的结果应用到格和正则树，并表明MSPRTs是渐近最优的正则树。我们支持我们的理论结果与模拟。
2020-05-20 cs.IT cs.SI eess.SP
HierCas: Hierarchical Temporal Graph Attention Networks for Popularity Prediction in Information Cascades
Tsinghua University（清华大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出HierCas，通过动态图建模、时间感知节点嵌入、图注意力机制和层次池化结构，在整个级联图上捕捉流行度趋势，有效解决了传统方法泛化性差及采样建模丢失动态信息的问题。
2024-04-27 cs.AI cs.SI
CCasGNN: Collaborative Cascade Prediction Based on Graph Neural Networks
Southwest University（西南大学）；College of Computer and Information Science（计算机与信息科学学院）
级联预测的目的是对网络中的信息扩散进行建模。以往的方法大多集中于从网络和传播路径中挖掘结构特征或序列特征，最近的努力致力于通过图神经网络和递归神经网络将网络结构和序列特征结合起来。然而，光谱或空间方法的局限性限制了预测性能的提高。此外，递归神经网络是耗时和计算昂贵的，这导致预测的效率低下。在这里，我们提出了一种新的方法CCasGNN考虑个人的个人资料，结构特征，和序列信息。该方法利用GAT和GCN的协作框架，将位置编码叠加到图神经网络的各层中，与现有的所有方法不同，具有良好的性能。在两个真实数据集上进行的实验证实，与最先进的方法相比，我们的方法显着提高了预测精度。更重要的是，烧蚀研究调查了我们的方法中每个组件的贡献。
2021-12-07 cs.LG cs.SI
Network Cascade Vulnerability using Constrained Bayesian Optimization
Argonne National Laboratory（阿贡国家实验室）；The Pennsylvania State University（宾夕法尼亚州立大学）
针对电网级联攻击影响常被忽视的问题，提出基于贝叶斯优化的黑盒方法寻找最大化级联破坏的保护设置，实验颠覆传统认知并发现资源约束下仍可实现严重级联攻击。
2023-10-05 cs.LG cs.SI math.OC
DeepCP: Deep Learning Driven Cascade Prediction Based Autonomous Content Placement in Closed Social Network
Sun Yat-sen University（中山大学）；Tencent Inc.（腾讯公司）
在线社交网络（OSN）正在成为内容级联扩散的最流行的主流平台。为了在OSN中为用户提供令人满意的体验质量（QoE），许多研究致力于通过在开放的社交网络场景（例如，Twitter和微博）。在本文中，我们采取了一个新的方向，即在封闭的社交网络中放置受欢迎程度感知的内容（例如，WeChat Moment），用户的隐私得到了高度增强。我们提出了一种新的数据驱动的整体深度学习框架，即DeepCP，用于联合扩散感知级联预测和自主内容放置，而无需利用用户的个人和社交信息。我们首先设计了一个时间窗LSTM模型，用于内容流行度预测和级联地理分布估计。因此，我们进一步提出了一种新的自主内容放置机制CP-GAN，它采用生成对抗网络（GAN）进行敏捷放置决策，以减少内容访问延迟，提高用户的QoE。我们使用微信矩（WM）中的级联扩散轨迹进行了大量的实验。评估结果证实，所提出的DeepCP框架可以预测的内容流行度与高准确性，以实时的方式生成高效的放置决策，并实现显着的内容访问延迟减少现有的计划。
2020-03-09 cs.LG cs.NI cs.SI
DCC: A Cascade based Approach to Detect Communities in Social Networks
National Institute of Technology Silchar（西尔查尔国家理工学院）；Eindhoven University of Technology（埃因霍温理工大学）
社交网络中的社区发现与发现和分组网络中固有的最相似的节点相关联。这些相似的节点通过计算结强度来识别。更强的关系表示连接的节点对共享的更高的邻近度。这项工作的动机是格兰米特的论点，表明强关系在于密集连接的节点和理论，社区核心在现实世界的网络是密集连接的。在本文中，我们介绍了一种新的方法称为\emph{Disjoint Community detection using Cascades (DCC)}，它证明了一个新的局部密度为基础的连接强度测量检测社区的有效性。在这里，利用联系强度来决定传播信息所遵循的路径。其思想是通过不断增加的联系强度引导，通过级联的元组信息向社区核心爬行。考虑到级联生成的步骤，一种新的优先成员资格的方法已经被开发来分配社区标签未分配的节点。$DCC$的有效性已经基于几个真实世界数据集和基线社区发现算法的质量和准确性进行了分析。
2022-12-21 cs.CV cs.IR cs.LG
Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction
University of Science and Technology of China（中国科学技术大学）
网络感知的级联规模预测旨在通过对社交网络中的传播过程建模，预测用户生成信息的最终转发数量。通过社会影响力即状态激活来估计用户的转发概率在信息扩散过程中起着重要作用。因此，图神经网络（GNN）能够模拟节点之间的信息交互，是处理这一预测任务的有效方案。然而，现有的研究，包括基于GNN的模型通常忽略了用户的偏好，深刻影响状态激活的一个重要因素。为此，我们提出了一个新的框架，以促进级联大小预测，通过增强用户偏好建模根据三个阶段，即，偏好话题生成、偏好转移建模和社会影响激活。我们的端到端的方法，使用户激活过程的信息扩散更适应和准确。在两个大规模真实世界数据集上进行的广泛实验清楚地证明了我们提出的模型与最先进的基线相比的有效性。
2022-04-18 cs.AI cs.IR cs.SI
