Pachinko Prediction: A Bayesian method for event prediction from social media data
大型开放数据源与机器学习方法的结合，为预测抗议或社会动荡等事件提供了一种潜在的强大方法。然而，考虑到这些模型中的不确定性，特别是在使用社交媒体等多样化的非结构化数据集时，对于确保适当使用这些方法至关重要。在这里，我们开发了一种贝叶斯方法，用于预测社会动荡事件在澳大利亚使用社交媒体数据。该方法使用机器学习方法将社交媒体的个人帖子分类为相关的，并使用经验贝叶斯方法来计算后验事件概率。我们使用该方法来预测2017/18年度澳大利亚城市的事件。
2018-09-22 cs.CY cs.SI stat.AP
Local non-Bayesian social learning with stubborn agents
我们研究了一个社会学习模型，在这个模型中，代理人使用私人信号和其他代理人以非贝叶斯方式的信念迭代地更新他们对世界真实状态的信念。有些代理人很固执，这意味着他们试图说服其他人错误的真实状态（模拟假新闻）。我们表明，虽然代理人学习的真实状态在短时间内，他们“忘记”它，并认为错误的状态是真实的较长的时间尺度。利用这些结果，我们设计了播种顽固代理的策略，以破坏学习，其表现优于直观的推理，并提供了关于社会学习中的漏洞的新见解。
2021-06-11 cs.MA cs.SI
On Increasing Self-Confidence in Non-Bayesian Social Learning over Time-Varying Directed Graphs
我们研究了对数线性非贝叶斯社会学习更新规则的收敛性，一组代理，共同寻求确定一个参数，最好地描述了一个联合序列的观察。与最近的文献相反，我们专注于代理分配衰减的权重给它的邻居的情况下，网络是不是在每个时刻连接，但在一些有限的时间间隔。我们提供了一个充要条件的速度，在该代理减少的权重，仍然保证社会学习。
2018-12-24 cs.MA cs.SI math.OC
A Bayesian social platform for inclusive and evidence-based decision making
在社交媒体清算的背景下，本文试图展示社交工具在网上建立良性行为的潜力。我们必须假设人类行为是有缺陷的，真相可能是难以捉摸的，作为社区，我们必须致力于建立鼓励良性社会数字行为的机制。使用社交平台的社会应具有包容性，对证据作出反应，限制惩罚性行动，允许富有成效的不和尊重不同意见。我们认为，社交媒体的成功在于假设。文件是有价值的，因为它们是服务于某个目的的证据，或者是为了某个目的而挑战某个想法。我们概述了贝叶斯社交平台如何促进良性行为，以建立基于证据的集体理性。本章概述了平台的算法和用户界面的认知架构，结合明确的社区管理，以确保心理安全。BetterBeliefs平台奖励那些在认知上表现出良性行为的用户，并为决策提供基于证据的建议。贝叶斯社交网络可以让有道德的想法变得强大。
2021-02-13 cs.HC cs.SI
Multi-Modal Bayesian Embeddings for Learning Social Knowledge Graphs
Tsinghua University（清华大学）；Carnegie Mellon University（卡内基梅隆大学）
我们研究在线社交网络可以连接到开放的知识库的程度。这个问题被称为学习社会知识图谱。我们提出了一个多模态贝叶斯嵌入模型，GenVector，学习潜在的主题，生成词和网络嵌入。GenVector利用嵌入的大规模未标记数据，并表示两种模态的数据-即，社交网络用户和知识概念--在共享的潜在主题空间中。三个数据集上的实验表明，该方法明显优于国家的最先进的方法。然后，我们将该方法部署在AMiner上，AMiner是一个大型在线学术搜索系统，拥有38，049，189名研究人员的网络，拥有35，415，011个概念的知识库。我们的方法显着降低了出错率在一个在线的A/B测试与现场用户。
2016-04-20 cs.CL cs.SI
Non-Bayesian Social Learning with Multiview Observations
针对传统非贝叶斯社会学习仅考虑单一信号的局限，提出一种利用多视图观测独立学习结果进行信息聚合的新型模型，证明了其收敛性并验证了算法的可靠性与鲁棒性。
2024-07-30 cs.IT cs.MA cs.SI
Non-Bayesian Social Learning with Gaussian Uncertain Models
非贝叶斯社会学习理论提供了一个分布式推理的框架，一组代理在社会网络上进行交互，通过顺序地通信和更新的信念，通过可能性更新他们的观察世界的未知状态。通常，假设精确地知道似然模型。然而，在许多情况下，由于缺乏数据可用性、收集/校准的高成本、通信网络内的限制和/或操作环境的高动态性，从稀疏训练数据生成模型。最近，社会学习理论被扩展到处理分类模型的模型不确定性。本文介绍了高斯不确定模型的理论，研究了由智能体网络产生的信念的性质。我们表明，即使有有限数量的训练数据，也可以实现非贝叶斯社会学习，并且网络中的所有代理都将收敛到一个共识信念，该信念可以证明识别出给定先验信息集的世界状态的最佳估计。
2019-10-24 cs.SI math.OC stat.ME
Non-Bayesian Social Learning with Uncertain Models over Time-Varying Directed Graphs
我们研究了具有不确定模型的非贝叶斯社会学习问题，在该模型中，代理网络根据一系列观察到的信号寻求合作识别世界的状态。与现有的文献相比，我们把注意力集中在这样的情况下，由代理人持有的统计模型的可能状态的世界是建立从有限的观察。我们发现，现有的非贝叶斯社会学习方法可能会选择一个错误的假设与非零概率在这些条件下。因此，我们提出了一种新的算法来迭代地构建一组信念，表明某个假设是否得到了经验证据的支持。该算法可以在时变有向图上实现，且权值为非{-}双随机。
2019-09-10 cs.MA cs.SI math.OC
Bayesian Evidence Accumulation on Social Networks
在做决定时，我们会受到收集到的证据以及朋友和邻居的意见的指导。我们如何将我们的私人信仰与我们从社交网络中获得的信息相结合？为了理解人类使用的策略，将它们与最佳整合所有证据的观察者进行比较是有用的。在这里，我们推导出理性（贝叶斯最优）代理的网络模型，这些代理积累私人测量并观察其邻居的决策，以在两个选项之间做出不可逆转的选择。由此产生的信息交换动态具有有趣的特性：当一个选项是首选时，随着时间的推移，决策的缺失可以提供越来越多的信息。在递归网络中，决策的缺失会导致一系列的信念更新，类似于关于常识的文献中的信念更新。从观察重复非决策中获得的信息与实现无关，除非代理人的私人信息是多余的。另一方面，在更大的网络中，一个单一的决定可以触发一系列的协议和分歧，这取决于代理收集的私人信息。我们的方法在经济学文献中的社会决策模型（在很大程度上忽略了决策的时间动态）与神经科学和心理学中广泛使用的单观察者证据累积模型之间提供了一座桥梁。
2020-03-02 cs.SI physics.soc-ph q-bio.NC
Naive Bayesian Learning in Social Networks
朴素社会学习的DeGroot模型假设代理人只交流标量意见。在实践中，代理人不仅传达他们的意见，而且传达他们对这些意见的信心。我们提出了一个模型，捕捉这方面的沟通，将信号的信息量到天真的社会学习的情况。我们提出的模型捕捉了贝叶斯学习和朴素学习的各个方面。在我们的模型中，代理使用贝叶斯规则组合他们邻居的信念，但代理天真地假设他们邻居的信念是独立的。根据初始信念，代理在我们的模型中可能不会达成共识，但我们表明，代理将达成共识下温和的连续性和有界性假设的初始信念。这种最终的共识可以根据每个代理的中心性和信号信息量来明确计算，从而可以精确地理解联合效应。我们将我们的理论应用于新技术的采用。与Banerjee et al. [2018]相反，我们表明，关于新技术的信息最初可以在一个紧密聚集的群体中播种，而不会丢失信息，但前提是代理人可以表达他们的信念。
2018-06-30 cs.SI
Collective action and spontaneity cycles: Cascading dynamics under Bayesian games
本文提出结合贝叶斯博弈与社会网络动力学的集体行动模型，证明自发行动与周期定理，并基于数值模拟与经验校准提出自发性周期理论，解答集体行动形成与周期问题。
2023-08-03 cs.SI
Identifying Hate Speech Peddlers in Online Platforms. A Bayesian Social Learning Approach for Large Language Model Driven Decision-Makers
针对LLM辅助的自主贝叶斯检测器，本文研究高维文本观测下的序贯社会学习，证明有限时间羊群效应，并提出最优停时与阈值策略以平衡隐私和 herd 行为。
2024-05-13 cs.SI eess.SP
Non-Bayesian Social Learning with Uncertain Models
US Army Research Laboratory（美国陆军研究实验室）；Massachusetts Institute of Technology（麻省理工学院）
非贝叶斯社会学习理论提供了一个框架，模型分布式推理的一组代理在社会网络上进行交互。在这个框架中，每个代理迭代地形成并使用学习规则与他们的邻居交流关于世界未知状态的信念。现有的方法假设代理人可以访问世界状态的精确统计模型（以可能性的形式）。然而，在许多情况下，这些模型必须从有限的数据中学习。我们提出了一个社会学习规则，考虑到使用二阶概率的统计模型中的不确定性。因此，来自不确定模型的信念对每个假设收集的过去证据的数量很敏感。我们的特点是如何以及假设可以在社交网络上进行测试，一致或不与世界的状态。我们显式地显示了所生成的信念的依赖性相对于先前的证据量。此外，当先验证据的数量达到无穷大时，学习就会发生，这与传统的社会学习理论是一致的。
2019-09-27 cs.AI cs.MA cs.SI
The Bayesian Echo Chamber: Modeling Social Influence via Linguistic Accommodation
Duke University（杜克大学）；UCL（伦敦大学学院）；Microsoft Research（微软研究院）
我们提出了贝叶斯回声室，一个新的贝叶斯生成模型的社会互动数据。该模型通过对人们语言使用随时间的演变进行建模，发现它们之间潜在的影响关系。与以前的工作推断的影响，这主要集中在简单的时间动态证明通过话轮转换行为，我们的模型捕捉到更微妙的影响关系，证明通过语言的适应模式的互动内容。该模型是基于离散模拟的多变量霍克斯过程，允许一个完全的贝叶斯推断算法。我们验证了我们的模型的能力，发现潜在的影响模式，使用美国最高法院和电影“12愤怒的人”听到的辩论成绩单。“我们展示了我们的模型的能力，通过使用它来推断联邦公开市场委员会会议记录的潜在影响模式，展示了在小组讨论中发现社会动态的最先进性能。
2015-01-27 cs.CL cs.LG cs.SI
Deperturbation of Online Social Networks via Bayesian Label Transition
Indiana University-Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校）
在线社交网络（OSN）基于用户的在线活动和兴趣将用户分类为不同的类别，该任务被称为节点分类任务。这样的任务可以有效地解决使用图卷积网络（GCN）。然而，少量的用户，所谓的扰动，可能会执行随机活动的OSN，这显着恶化的性能GCN为基础的节点分类任务。在这个方向上，现有的工作可以通过对抗训练或识别攻击者节点，然后将其删除来保护GCN。然而，这两种方法都需要首先识别攻击模式或攻击者节点，这在扰动器节点数量非常少的情况下是困难的。在这项工作中，我们开发了一个GCN防御模型，即GraphLT，它使用标签转换的概念。GraphLT假设扰动者的随机活动会降低GCN的性能。为了克服这个问题，GraphLT随后使用了一种新的贝叶斯标签转换模型，该模型采用GCN的预测标签，并通过基于吉布斯采样的推理应用标签转换，从而修复GCN的预测，以实现更好的节点分类。在七个基准数据集上的大量实验表明，GraphLT在不受干扰的环境中大大提高了节点分类器的性能;此外，它验证了GraphLT可以成功地修复基于GCN的节点分类器，其性能优于几种竞争方法。
2022-01-18 cs.LG cs.SI physics.soc-ph
Using Social Network Information in Bayesian Truth Discovery
Nanyang Technological University（南洋理工大学）
我们调查的问题，真理发现的基础上，从多个代理人谁可能是不可靠的或有偏见的意见。我们考虑的情况下，代理人的可靠性或偏见是相关的，如果他们属于同一个社区，这定义了一组代理人有类似的意见，关于一个特定的事件。对于不同的事件，智能体可以属于不同的社区，而这些社区是先验未知的。我们将知识的代理人的社会网络在我们的真理发现框架和开发拉普拉斯变分推理方法来估计代理人的可靠性，社区和事件状态。我们还开发了一个随机变分推理方法，将我们的模型扩展到大型社交网络。对真实数据的仿真和实验表明，当观测稀疏时，我们提出的方法比其他几种推理方法，包括多数投票，Truthfall，AccuSim，置信度感知的真相发现方法，贝叶斯分类器组合（BCC）方法和社区BCC方法表现得更好。
2019-04-29 cs.LG cs.MA cs.SI
Non-Bayesian Social Learning with Heterogeneous and Time-Varying Aggregation Rules
ENSTA, France（法国国立高等先进技术学院）；IIIA-CSIC, Bellaterra, Spain（西班牙科学委员会人工智能研究所）；CSIC, Madrid, Spain（西班牙科学委员会）
本文推广了强连通社交网络中非贝叶斯社会学习的早期结果，证明智能体采用异构时变聚合规则时信念仍可收敛至真实状态，给出收敛速率结果，并以CES族聚合函数为例进行说明。
2026-10-12 cs.SI
Twitter-Network Topic Model: A Full Bayesian Treatment for Social Network and Text Modeling
ANU（澳大利亚国立大学）；NICTA（澳大利亚国家信息通信技术研究院）
Twitter的数据非常嘈杂--每条推文都很短，没有结构，语言也不正式，这对当前的主题建模来说是一个挑战。另一方面，推文伴随着额外的信息，如作者，标签和用户追随者网络。利用这些额外的信息，我们提出了Twitter网络（TN）的主题模型，共同建模的文本和社会网络在一个完整的贝叶斯非参数的方式。TN主题模型采用分层泊松-狄利克雷过程（PDP）的文本建模和高斯过程随机函数模型的社会网络建模。我们表明，TN主题模型显着优于现有的几个非参数模型，由于其灵活性。此外，TN主题模型能够实现额外的信息推理，例如作者的兴趣，主题标签分析，以及导致进一步的应用，例如作者推荐，自动主题标签和主题标签建议。注意，我们的一般推理框架可以很容易地应用到其他主题模型嵌入PDP节点。
2016-09-22 cs.CL cs.IR cs.SI
Reaching Consensus via non-Bayesian Asynchronous Learning in Social Networks
我们研究了在线社交网络中信息聚合的结果。我们的主要结果是，具有某些现实结构特性的网络避免了信息级联，并使人口能够有效地聚合信息。在我们的模型中，网络中的每个人都对产品或想法持有私人的独立意见，偏向于地面真相。个体异步地声明他们的观点，可以观察他们邻居的声明观点，并且可以随着时间的推移自由地更新他们的声明。假设个体与其邻居的大多数报告一致，我们要问的是，群体最终是否会就基本事实达成共识。我们表明，答案取决于网络结构：存在网络的共识是不可能的，或声明收敛于不正确的意见与积极的概率。另一方面，我们证明了对于稀疏和可扩展的网络，人口将以高概率收敛到正确的观点。
2014-08-22 cs.GT cs.SI
A Bayesian actor-oriented multilevel relational event model with hypothesis testing procedures
针对多个关系事件序列的建模与假设检验需求，本文提出贝叶斯面向行动者多层关系事件模型，并支持跨网络信息借用及共同、异质互动驱动因素检验。
2023-06-07 cs.SI stat.ME
Bayesian Social Influence in the Online Realm
我们的意见，我们喜欢或不喜欢的东西，取决于我们周围的人的意见。如今，我们受到网络陌生人的意见的影响，这些意见通过网络平台上的评论和评级表达出来。在这里，我们进行了新颖的“学术A/B测试”实验，有超过2,500名参与者来衡量这种影响的程度。在我们的实验中，参与者在YouTube和Vimeo的镜像代理上观看和评估视频。我们控制这些视频下方显示的评论和评级。我们的研究表明，从5 $\%$到40 $\%$的受试者采纳了陌生人在评论中表达的大多数意见。使用贝叶斯定理，我们得到了一个灵活的和可解释的家庭的社会影响力的模型，其中每个人形成后验意见随机以下的logit模型。我们的混合模型的最大化Akaike信息标准的变体代表两个子群体，即，不可影响和可影响的个体。非影响力个体的先验意见与外部意见高度相关且标准误较低，而影响力个体的先验意见标准误较高且由于社会影响而与外部意见相关。我们的研究结果表明，意见是通过贝叶斯规则更新的随机变量，其标准差与意见影响力相关。基于这些发现，我们讨论了如何阻止在网络领域的意见操纵和错误信息的传播。
2020-02-26 cs.CY cs.SI physics.data-an
Analysis of Climate Campaigns on Social Media using Bayesian Model Averaging
Purdue University（普渡大学）
本文提出结合消息主题的最小监督模型汤方法识别Facebook上气候广告立场，并发布立场数据集、模型和主题集合，以支持未来意见挖掘和气候变化立场自动检测研究。
2023-06-30 cs.AI cs.CL cs.CY
Representing Social Media Users for Sarcasm Detection
Stanford University（斯坦福大学）
我们探讨了两种方法来代表作者的文本讽刺检测的背景下：贝叶斯方法，直接代表作者的倾向是讽刺，和密集的嵌入方法，可以学习作者和文本之间的互动。使用Reddit评论的SARC数据集，我们证明了用这些表示来增强双向RNN可以提高性能;贝叶斯方法在同质上下文中就足够了，而密集嵌入的附加功能在更多样化的情况下证明是有价值的。
2018-08-25 cs.CL cs.SI
A Bayesian Agent-Based Framework for Argument Exchange Across Networks
针对现有社交网络建模仅涉及单一观点/主张交换的局限，本文提出基于贝叶斯框架的智能体建模环境，支持多论证（含支持/反对及不同强度）交换研究，可分析贝叶斯网络复杂领域的信念动态，初步案例验证其适用范围。
2023-11-14 cs.SI
Don't Believe Everything You Hear; Preserving Relevant Information by Discarding Social Information
通过社会贝叶斯学习来整合通过观察他人获得的信息可以有益于代理的性能，但也可以使人口范围的信息级联通过代理人口永久化错误信念。我们展示了代理如何通过改变他们观察他人的概率来影响观察网络，并证明了存在一个人口范围的均衡，其中社会贝叶斯更新的优点和缺点是平衡的。我们还使用相关信息的形式主义来说明负面信息级联的特点是处理越来越多的非相关信息。
2014-06-04 cs.MA cs.SI nlin.AO
Efficient Bayesian Social Learning on Trees
我们考虑一组代理谁是试图迭代学习的“世界的状态”从他们的邻居在社会网络。每个智能体最初都会收到一个关于世界真实状态的嘈杂观察。然后，代理人反复“投票”，并观察他们的一些同行的投票，从中获得更多的信息。代理的计算是贝叶斯的，目的是在每次迭代时最大化期望效用。Gale和Kariv（2003）提出的这个模型是在网络上学习的一种自然方法。然而，它受到了批评，主要是因为代理的决策规则似乎成为计算上难以处理的迭代次数的进步。例如，动态规划方法（本工作的一部分）的运行时间在\min（n，（d-1）^t）中呈指数级增长，其中n是代理的数量。我们提供了一个新的算法来执行代理的计算局部树状图。我们的算法使用动态腔方法，以大大减少计算工作量。设d为最大次数，t为迭代次数。每个代理所需的计算工作量仅在O（td）中是指数的（注意，在时间t时邻居的可能信息集的数量本身在td中是指数的）。在适当的假设下的收敛速度，我们推断，每个代理只需要花费多对数（在1/ \eps）的计算努力，近似学习的真实状态的世界与错误概率\eps，在定期树的程度至少为五。我们提供了数值和其他证据来证明我们的假设收敛速度。我们扩展我们的结果在各个方向，包括循环图。我们的研究结果表明，在广泛的情况下，迭代贝叶斯社会学习的效率，相反，广泛持有的信念。
2011-02-07 cs.GT cs.MA cs.SI
Collective Animal Behavior from Bayesian Estimation and Probability Matching
生活在群体中的动物做出的运动决定，除了其他因素外，还取决于与其他群体成员的社会互动。我们目前对动物群体中社会规则的理解主要是基于对观察结果的经验拟合，较少强调获得允许其推导的第一原理方法。在这里，我们表明，集体决策的模式可以从动物的基本能力，使概率估计存在的不确定性。我们建立了一个决策模型，分为两个阶段：贝叶斯估计和概率匹配。在第一阶段，每只动物都要根据环境的个人信息和通过观察其他动物的行为收集到的社会信息，对哪种行为最好进行贝叶斯估计。在概率匹配阶段，每只动物选择一个概率等于贝叶斯估计概率的行为，这个行为是最合适的。这个模型推导出动物群体中非常简单的互动规则，这些规则只依赖于两种类型的可靠性参数，一种是每只动物分配给其他动物的，另一种是由非社会信息的质量给出的。我们测试我们的模型，从理论上获得一组丰富的观察到的集体模式的决定，在三棘鱼，Gasterosteus aculeatus，浅水鱼类。概率估计和集体行为规则之间的定量联系，允许更好地与其他领域，如觅食，择偶，神经生物学和心理学的联系，并给出预测的实验直接测试之间的关系估计和集体行为。
2011-11-07 cs.SI nlin.AO physics.data-an
Evaluating the Impact of COVID-19 on Cyberbullying through Bayesian Trend Analysis
COVID-19的影响已经超越了个人和全球健康，扩展到我们的社会生活。在数字化方面，据推测，在疫情期间，网络欺凌事件显著增加。在本文中，我们研究了网络欺凌和此类事件的报告在最近一段时间是否有所增加的假设。为了评估这些猜测，我们收集了2020年1月1日至2020年6月7日期间发布的与网络欺凌相关的公共推文（N= 454，046）。一个简单的视觉频率分析忽略了序列相关性，并没有描述变化点。为了解决相关性和相对较少的时间点，贝叶斯估计的趋势，提出了通过自回归泊松模型收集的数据。我们发现，本文中详述的这种新贝叶斯方法可以清楚地显示自2020年3月中旬以来与网络欺凌相关的推文的上升趋势。然而，这一证据本身并不意味着网络欺凌事件的增加，而是表明危机与个人对此类事件的讨论之间存在关联。我们的工作强调了网络欺凌的关键问题，以及全球危机如何影响社交媒体滥用，并提供了一个可用于一般社交媒体数据分析的趋势分析模型。
2020-08-08 cs.CY cs.SI
Bayesian Parameter Estimation for Latent Markov Random Fields and Social Networks
University of Oxford（牛津大学）
无向图模型在统计学、物理学和机器视觉等领域有着广泛的应用。然而，无向模型的贝叶斯参数估计是极具挑战性的，因为后验的评估通常涉及到一个棘手的归一化常数的计算。这个问题已经得到了很大的关注，但很少集中在重要的实际情况下，数据包括噪音或不完整的观察潜在的隐藏结构。本文专门针对这个问题，比较两种替代方法。在这些方法的第一种中，粒子马尔可夫链蒙特卡罗（Andrieu等人，2010）用于有效地探索参数空间，结合交换算法（Murray et al.，2006），以避免计算棘手的归一化常数（证明这种组合的目标是正确的分布，可以在在线补充附录中找到）。该方法与近似贝叶斯计算（Pritchard等人，1999年）。应用估计伊辛模型和指数随机图的参数从噪声数据。由于使用MCMC从潜在图形模型进行模拟，本文中使用的每个算法都以接近真实后验为目标，而不是能够在一般情况下准确地做到这一点。补充附录还说明了由此得出的近似值的性质。
2012-03-14 cond-mat.stat-mech cs.AI cs.SI
Homogeneity-Based Transmissive Process to Model True and False News in Social Networks
KAIST（韩国科学技术院）
在社交网络上发布和分享的真实和虚假新闻报道数量惊人，用户根据多种因素传播这些报道。新闻报道从一个用户到另一个用户的传播不仅取决于报道的内容和相似性，还取决于用户之间的主题兴趣的一致性。在本文中，我们提出了一种新的贝叶斯非参数模型，采用同质性的新闻故事的关键组成部分，调节的主题相似性之间的张贴和分享用户的主题兴趣。我们的模型扩展了层次Dirichlet过程模型的新闻故事的主题，并结合贝叶斯高斯过程的潜变量模型，以发现同质性值。我们在真实世界的社交网络数据集上训练我们的模型，发现新闻故事的同质性值与它们的同质性标签及其内容密切相关。最后，我们证明了我们的模型的监督版本比最先进的神经网络和贝叶斯模型更好地预测新闻故事的标签。
2018-11-16 cs.CY cs.LG cs.SI
Interactive Event Sifting using Bayesian Graph Neural Networks
Univ. of Campinas (Unicamp)（坎皮纳斯大学）；Washington University in St. Louis（圣路易斯华盛顿大学）
针对司法调查中社交媒体无关帖筛选的难题，提出基于贝叶斯图神经网络的交互式训练方法，结合主动学习与伪标签减少人工标注，验证了该方法的有效性及未标注数据的增益作用。
2024-10-07 cs.LG cs.SI
Bayesian Inference of a Social Graph with Trace Feasibility Guarantees
网络推理是决定什么是节点之间的一组交互的真正未知图的过程。关于这个主题有大量的文献，但大多数已知的方法都有一个重要的缺点：推断图不能保证解释来自输入轨迹的每个交互。我们认为这是一个重要的问题，因为这样的推断图不能作为输入的应用程序，需要一个可靠的估计的真实图。另一方面，具有跟踪可行性保证的图可以帮助我们更好地理解感兴趣的节点之间可能发生的真实（隐藏）交互。这类图的推理是本文的目标。首先，给定来自社交网络的活动日志，我们引入一组约束，考虑到轨迹节点之间可能的所有隐藏路径，给定它们的交互时间戳。然后，我们开发了Newman [1]的期望最大化算法的非平凡修改，我们称之为约束EM，它将约束和一组辅助变量纳入推理过程，以引导其实现迹的可行性。来自Twitter的真实数据的实验结果证实，约束EM生成了一个后验分布图，解释了跟踪中观察到的所有事件，同时呈现了无标度小世界图的所需属性。我们的方法也优于建立的方法的可行性和质量的推断图。
2021-09-23 cs.NI cs.SI
Aggregative Efficiency of Bayesian Learning in Networks
Boston University（波士顿大学）；University of Pennsylvania（宾夕法尼亚大学）
研究网络结构对贝叶斯学习信号聚合效率的影响，发现信息混淆会显著降低准确性，聚合效率取决于观察数量和混淆程度。
2026-10-27 cs.SI econ.GN econ.TH
Bayesian Learning without Recall
Massachusetts Institute of Technology（麻省理工学院）
本文研究了在社交网络中，学习者无法回忆历史观察并无法推断他人信念形成的贝叶斯学习模型，探讨了该模型在分析理性代理行为及非贝叶斯更新规则中的应用。
2016-11-07 cs.SI cs.SY eess.SY
Detection of Malicious Agents in Social Learning
针对非贝叶斯社会学习中恶意智能体干扰导致模型异构的问题，提出一种基于智能体信念序列的算法，可识别各智能体真实状态并定位恶意行为。
2024-06-25 cs.MA cs.SI eess.SP
A Tutorial on Distributed (Non-Bayesian) Learning: Problem, Algorithms and Results
Arizona State University（亚利桑那州立大学）；Boston University（波士顿大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们概述了分布式学习的一些结果，重点是最近提出的一系列算法，称为非贝叶斯社会学习。我们考虑分布式学习问题的不同方法及其在有限多个假设的情况下的算法解决方案。最初的集中式问题进行了讨论，然后由一个概括的分布式设置。收敛性和收敛速度的结果给出了渐近和有限时间制度。各种扩展进行了讨论，如处理定向时变网络，Nesterov的加速技术和连续集的假设。
2016-09-23 cs.LG cs.MA cs.SI
