Winning the Social Media Influence Battle: Uncertainty-Aware Opinions to Understand and Spread True Information via Competitive Influence Maximization
提出一种基于深度强化学习并整合主观逻辑的竞争性影响力最大化框架，通过不确定性感知观点模型在社交网络中有效传播真实信息以缓解虚假信息，显著优于现有方法并在部分可观测网络中表现稳健。
2024-04-30 cs.SI
On the k-Anonymization of Time-varying and Multi-layer Social Graphs
在线社交媒体平台的普及为研究现实世界的复杂互动网络提供了前所未有的机会。然而，向研究人员和公众发布这些数据的代价是可能暴露隐私和敏感的用户信息。已经表明，通过移除节点的身份来对网络进行朴素的匿名化不足以保护用户的隐私。为了应对恶意攻击，已经提出了k-匿名解决方案来部分混淆可用于推断节点身份的拓扑信息。在本文中，我们研究了在时变图中确保k-匿名的问题，即，具有随时间变化的结构的图，以及多层图，即，具有多种类型链接的图表。更具体地说，我们研究的情况下，攻击者可以访问的程度的节点。目标是生成一个新的图，其中给定图的每个（时间）层中的节点的度，这样的节点与图中的其他k-1个节点保持不可区分。为了实现这一点，我们找到了图节点的最佳划分，使得每个组内的匿名化度信息的成本最小。我们表明，这减少到一个特殊的情况下，广义分配问题，我们提出了一个简单而有效的算法来解决它。最后，我们引入了一个迭代线性规划方法，以加强匿名度序列的可实现性。该方法的有效性进行评估，通过一组广泛的实验合成和现实世界的图形。
2015-03-22 cs.CR cs.SI
BotUmc: An Uncertainty-Aware Twitter Bot Detection with Multi-view Causal Inference
Beihang University（北京航空航天大学）
提出感知不确定性的Twitter机器人检测方法BotUmc，利用LLM提取信息构建图，通过因果干扰生成多视图，并用不确定性损失量化结果以选择低不确定性决策，实验证明其优越性。
2025-03-04 cs.AI cs.SI
The price of uncertainty for social consensus
研究社交网络中不确定性对共识达成的影响，通过引入邻居颜色计数的相对扰动模型，证明即使微小扰动也会显著阻碍共识，并给出不确定性代价的紧界。
2026-07-03 cs.GT cs.MA cs.SI
Simulation of the COVID-19 pandemic on the social network of Slovenia: estimating the intrinsic forecast uncertainty
本文在一个简化的社会网络上建立了一个病毒传播模型。该社交网络由200多万个节点组成，每个节点代表斯洛文尼亚的一个居民。节点根据真实的家庭和老年人护理中心分布进行组织和互连，而这些集群之外的连接是半随机分布和完全链接的。将病毒传播模型与疾病进展模型耦合。集成方法与扰动的传输和疾病参数被用来量化的合奏传播，预测的不确定性的代理。所呈列的斯洛文尼亚COVID-19疫情持续预测与收集到的斯洛文尼亚数据进行比较。结果表明，目前感染在家庭/老年人护理中心内传播的可能性是在家庭/老年人护理中心外传播的两倍。我们使用模拟集合（N = 1000）来反向获得模型参数的后验分布，并估计COVID-19预测的不确定性。我们发现，在不受控制的流行病中，内在的不确定性主要来源于病毒生物学的不确定性，即其繁殖数。在低感染率的受控流行病中，社会网络的随机性成为预测不确定性的主要来源，特别是对于短期预测。因此，基于社会网络的模型对于改进流行病预测至关重要。
2020-05-27 cs.SI physics.soc-ph q-bio.PE
Uncertainty-Aware Estimation of Mis/Disinformation Prevalence on Social Media
Ethical Technologies and Connectivity for Humanity Research Centre, Universitat Oberta de Catalunya（加泰罗尼亚开放大学伦理技术与人类连通性研究中心）；Universitat Pompeu Fabra（庞培法布拉大学）；Department of Engineering, Universitat Pompeu Fabra（庞培法布拉大学工程学院）；Science Feedback（科学反馈）
本研究提出了一种面向不确定性的社交媒体虚假信息 prevalence 估计方法，通过量化样本、标注和数据检索不确定性，提高分析的稳健性。
2026-03-03 cs.CY cs.SI
Constructing Reliable Social Networks from Conversational Data: An Ensemble Prompt Engineering Approach with Uncertainty Quantification
Yonsei University（延世大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文提出了一种基于集成提示工程和不确定性量化的框架，用于从对话数据中构建可靠的社交网络，通过多数投票和熵分析提升分类可靠性，并应用于课堂互动数据的网络分析。
2026-09-22 cs.SI stat.AP
A Generalization of the Sugeno integral to aggregate Interval-valued data: an application to Brain Computer Interface and Social Network Analysis
本文提出将Sugeno积分的推广扩展至区间值数据，用于脑机接口和社交网络中的信息聚合，实验表明其优于其他区间值函数。
2023-12-28 cs.SI
Formalising the multidimensional nature of social networks
个体在许多行为环境或维度中与同种个体互动。在这里，我们正式考虑一个社会网络n个人之间的互动，在b行为的维度作为一个nxnxb多维对象。此外，我们建议，这个对象的拓扑结构是由个人需要，以减少在一个或多个维度的相互作用的结果的不确定性。该建议的理由社会网络的动态和进化在个人选择过程中，并允许我们定义的不确定性的社会网络作为其组成的相互作用网络的联合熵。为了支持这些命题，我们使用模拟和自然的“淘汰”在一个自由放养的狒狒部队，以显示（i）这样的对象可以显示一个小世界的状态和（ii），如预测的那样，在社会扰动后的相互作用的变化导致一个更确定的社会网络，其中的相互作用的结果是更容易预测的成员。社交网络的这种新的形式化提供了一个框架，在此框架内预测网络动态和演变的假设下，它是由个人寻求减少他们的社会环境的不确定性。
2011-01-19 cs.SI physics.soc-ph q-bio.PE
The effect of distant connections on node anonymity in complex networks
本文提出d-k-匿名性和匿名级联两种方法，揭示远距离连接会显著降低节点匿名性，仅增加一条距离为2的边就可使整体匿名性下降超50%，为大规模网络隐私评估提供灵活方案。
2023-11-14 cs.SI
Unmasking Social Bots: How Confident Are We?
William & Mary（威廉玛丽学院）；Indiana University（印第安纳大学）
针对社交机器人检测模型缺乏不确定性度量的问题，提出在账户层面同时进行机器人检测与不确定性量化的方法，以利用预测置信度增强决策并提高分类可靠性。
2025-03-02 cs.AI cs.LG cs.SI
Studying the Affecting Factors on Trust in Social Commerce
近来，电子商务由于社交网络的日益增长而出现了许多新的机会。社交电商（s-commerce）是电子商务的产物，它将用户连接起来，并有助于社交网络以及其他媒体促进的商务过程。不确定性和信任在任何类型的商业中总是一个问题，特别是在电子商务中，由于其性质，存在更高的风险和不确定性。尽管在虚拟商业交易的信任的历史，有一个有限的研究数量的主题，目前转向虚拟社区和网络中的商业需要进一步关注。因此，在本文中，通过仔细研究现有的文献，对信任的影响因素在电子商务中的识别和介绍。在综述的论文中，7篇论文符合标准，总体上提取了19个因素。公司规模，信任处置，信息质量和熟悉其他成员是文献中引用最多的因素。
2015-08-17 cs.CY cs.SI
Using Social Networks to Aid Homeless Shelters: Dynamic Influence Maximization under Uncertainty - An Extended Version
University of Southern California（南加州大学）；Trinity University（三一大学）
本文介绍了HEALER，一个软件代理，建议使用无家可归的收容所，谁组织这些干预措施，以提高认识无家可归的青年艾滋病毒的顺序干预计划。HEALER的顺序计划（利用无家可归青年的社交网络的知识建立）选择干预参与者的战略，以最大限度地扩大影响力的传播，同时推理网络中的不确定性。虽然以前的工作提出了影响最大化的技术来选择干预参与者，他们没有解决三个现实世界的问题：（一）他们完全没有扩大到现实世界的大小;（二）他们不处理偏差在执行干预计划;（三）构建现实世界的社交网络是一个昂贵的过程。HEALER通过四个主要贡献来处理这些问题：（i）HEALER将这个影响力最大化问题转换为POMDP，并使用一种新颖的规划器来解决它，该规划器可以扩展到以前无法解决的现实世界的大小;（ii）HEALER允许庇护所官员修改其建议，并以偏差容忍的方式更新其未来的计划;（三）HEALER利用Facebook应用程序，以低成本为无家可归青年建立社交网络。最后，（iv）我们显示了HEALER解决的问题的硬度结果。HEALER将于2016年春初在现实世界中部署，目前正在无家可归者收容所进行测试。
2016-01-30 cs.AI cs.CY cs.SI
Using Gaussian Mixtures to Model Evolving Multi-Modal Beliefs Across Social Media
本文提出用高斯混合模型刻画社交媒体中多模态信念与不确定性的形成演化，结合贝叶斯更新与非贝叶斯混合动力学，并基于顽固影响者对信息流动的干扰难易程度定义新的中心性概念。
2025-09-01 cs.SI cs.SY eess.SY
Mapping the Technological Future: A Topic, Sentiment, and Emotion Analysis in Social Media Discourse
本研究利用BERTopic建模和情感分析处理150万条推文，揭示了关键意见领袖在技术不确定性中通过积极预期话语塑造未来愿景的重要作用。
2024-07-20 cs.AI cs.CL cs.SI
Certainly Bot Or Not? Trustworthy Social Bot Detection via Robust Multi-Modal Neural Processes
本研究提出鲁棒多模态神经过程框架，通过增强多模态神经过程的鲁棒性来检测社交机器人，同时提升不确定性估计能力。
2025-12-26 cs.AI cs.LG cs.SI
Rumor Forwarding Prediction Model Based on Uncertain Time Series
针对社交媒体谣言快速传播的问题，本文将UTSA应用于微博谣言转发行为分析，通过不确定时间序列建模及相关检验验证方法有效性，实验证明该方法能更好预测下一阶段谣言转发，对谣言治理和社媒信息传播管理有现实意义。
2024-05-15 cs.SI stat.AP
Clarifying Trust in Social Internet of Things
物联网（IoT）可以利用社交方法来管理大量连接的对象。这些对象作为自主智能体来操作，以向用户请求和提供信息和服务。在对象之间建立可信的关系可以大大提高社交物联网中节点交互的有效性，并帮助节点克服对不确定性和风险的感知。然而，现有的信任模型存在局限性。在本文中，提出了一个全面的信任模型，是专为社会物联网。该模型包括委托人、受托人、目标、可信度评估、决策、行动、结果和上下文等要素。在此信任模型的基础上，我们从五个方面阐明了社会物联网中的信任概念，如（1）委托人和受托人的相互性，（2）信任的推理转移，（3）信任的传递性，（4）可信度更新，以及（5）受动态环境影响的可信度。利用来自真实世界社交网络的网络连接，进行了一系列仿真，以评估使用所提出的信任模型运行的社交物联网的性能。实验物联网网络被用来进一步验证所提出的信任模型。
2017-04-11 cs.MA cs.SI
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
