Epidemic Spreading in Weighted Networks: An Edge-Based Mean-Field Solution
权重分布在很大程度上影响网络上发生的传染病传播。本文研究了具有不同权分布的正则随机网络上的易感-感染-易感模型。仿真结果表明，更均匀的权重分布导致更高的流行病，不幸的是，这是不能捕捉到的传统的平均场近似。本文给出了一般权值分布的基于边缘的平均场解，该解能定量再现仿真结果。该方法可用于表征加权网络动力过程的非平衡稳态。
2011-12-24 cs.SI physics.data-an physics.soc-ph
Gossip on Weighted Networks
我们研究如何适合加权网络是八卦传播。该模型是基于Lind等人在未加权网络上提出的流言传播模型。体重代表“友谊。如果流言的受害者是一个“亲密的朋友”，潜在的传播者宁愿不传播。流言传播与三角形和三角形级联有关。它提供了关于网络结构的更多见解。我们分析了在真实的加权人际互动网络上传播的八卦。研究了6个共现网络和7个社会模式网络。流言传播被认为是一个很好的参数，以区分同现和社会模式的网络。作为比较，本文还研究了一些混杂网络和基于ER、BA、WS模型的计算机生成网络。它们被发现与人类互动网络有很大不同。
2012-05-05 cs.SI nlin.AO physics.soc-ph
A centrality measure for quantifying spread on weighted, directed networks
针对加权有向网络传播场景，本文基于独立级联模型提出 Viral Centrality，并用加权邻接矩阵主特征值刻画其近似条件，实验表明其优于常见中心性指标。
2023-03-16 cs.SI physics.soc-ph
Many-Objective Evolutionary Influence Maximization: Balancing Spread, Budget, Fairness, and Time
University of Trento（特伦托大学）
本文提出基于NSGA-II的多目标进化算法MOEIM，在图感知算子和智能初始化支持下，同时优化影响力、种子集大小、预算、公平性、社区和时间，实验证明其在多数多目标设置中优于现有方法。
2024-03-28 cs.AI cs.NE cs.SI
Boosting Information Spread: An Algorithmic Approach
影响力最大化（IM）的研究主要集中在有影响力的种子，以触发大量的信息在社交网络中传播。在本文中，我们考虑了一个新的和补充的问题，如何进一步增加给定的种子的影响传播。我们的研究动机是观察到直接激励可以“促进”用户，使他们更有可能受到朋友的影响。我们研究了$k$ -boosting问题，其目的是找到$k$用户，以提高，使最终的“提升”的影响力传播最大化。$k$ -boosting问题与IM问题不同，因为boosted用户的行为与seeder不同：boosted用户最初不受影响，我们只增加他们受影响的概率。我们的工作也补充了IM研究，因为我们专注于在给定播种者的基础上触发更大的影响力传播。问题的NP-困难性和目标函数的非子模块性都对$k$ -boosting问题提出了挑战。为了解决一般图的问题，我们设计了两个有效的算法与数据依赖的近似比。对于双向树上的$k$ -boosting问题，我们提出了一个有效的贪心算法和一个四舍五入的动态规划，这是一个完全多项式时间的近似计划。我们使用真实的社交网络和合成双向树进行了广泛的实验。我们表明，我们的算法返回的提升解决方案实现了提升的影响力，比直观基线返回的提升解决方案高出数倍，而直观基线无法保证解决方案的质量。我们还探讨了“预算分配”的问题，在我们的实验。与只针对种子用户分配预算相比，将预算同时分配给种子用户和提升用户可以获得更大的影响力扩散。
2017-06-26 cs.SI
Asymmetric Weighted Cascade Model for Competitive Influence Maximization
本文提出非对称加权级联模型，研究竞争性影响力最大化问题，证明其NP难，并发现预算与产品评分在不同网络直径下的优势差异及图规模与影响节点数的线性关系。
2024-10-23 cs.SI
Traffic Control for Network Protection Against Spreading Processes
University of Pennsylvania（宾夕法尼亚大学）
本文研究了通过优化有限预算分配三种保护资源来遏制病毒传播过程，提出利用几何规划在任意加权有向接触网络中实现多项式时间解决方案。
2013-10-18 cs.SI cs.SY eess.SY
Optimizing Spread of Influence in Weighted Social Networks via Partial Incentives
在社交网络中，一个被广泛研究的影响力扩散过程假定影响力扩散的动态演化如下：给定一个代表网络的图$G=(V,E)$，最初\emph{only}，给定$S\subseteq V$的成员受到影响;随后，在每一轮，受影响的节点集被网络中具有足够多的已受影响的邻居的所有节点所增加。一般的问题是找到一个小的初始节点集，影响整个网络。本文对上述基本模型进行了如下扩展：首先，假设每个节点$v\in V$都有非负值$c(v)$，度量初始影响节点$v$的代价，算法问题是寻找影响整个网络的\emph{minimum total cost}的一组节点;接着，我们研究了将\emph{incentives}给予网络成员的后果，并且我们量化了这如何影响（即，减少）影响整个网络的启动过程的总成本。对于上述两个问题，我们提供了硬度和算法的结果。我们还通过在现实生活中的网络上进行广泛的模拟来实验验证我们的算法。
2015-12-20 cs.DS cs.SI math.CO
Mapping temporal-network percolation to weighted, static event graphs
许多传播和扩散过程都发生在时间网络上，其结果受到接触时间相关性的影响。这些相关性对传播媒介在节点上具有有限生命周期的过程具有特别强的影响：疾病传播（恢复时间），谣言扩散（信息的生命周期）和乘客路由（转移之间的最大可接受时间）。在这里，我们引入加权事件图作为一个强大而快速的框架，用于研究由时间尊重路径确定的连接性，其中接触之间的允许等待时间有上限。我们研究渗流的加权事件图和底层的时间网络，模拟和真实世界的网络。我们表明，这种类型的时间网络渗流是类似于定向渗流，它可以由多个序参量。
2017-09-17 cs.SI physics.data-an physics.soc-ph
The Cost of Uncertainty in Curing Epidemics
受控制（治愈）流行病的研究的启发，我们考虑了SI过程在已知图上的传播，其中我们有有限的预算用于将感染的节点转换回易感状态（即，治愈节点）。最近的工作表明，在完美和即时的信息（哪些节点被感染/未被感染）下，治愈一个图所需的预算精确地取决于一个称为CutWidth的组合属性。我们证明了这个假设实际上是必要的：即使是完美信息的轻微退化，例如，一个准确率高达99%的诊断测试彻底改变了这片土地以前可以在次线性时间内治愈的感染现在可能需要指数时间，或按顺序更大的预算来治愈。问题的关键归结为一个在完全信息情况下不存在的紧张关系：如果一个节点被怀疑（但不确定）被感染，我们是冒着浪费预算的风险试图治愈一个未感染的节点，还是冒着感染进一步传播的风险通过更长时间的观察来增加我们的确定性？我们的研究结果提出了基本的，算法独立的界限，权衡所需的预算与不确定性。
2018-02-23 cs.SI
Comparing Probabilistic Influence-Spreading Centralities to Commonly-Used Centrality Measures in Directed and Weighted Networks
Aalto University（阿尔托大学）
该研究在有向加权网络中，对比ISM三种概率中心性与常用中心性，发现标准中心性可近似广播影响，但常遗漏接收影响及概率中介的细微特征。
2026-08-20 cs.SI
Budgeted Influence Maximization via Boost Simulated Annealing in Social Networks
预算影响力最大化（BIM）问题由于更接近实际应用场景，引起了研究者的极大关注。作为影响力最大化（IM）问题的一个变体，BIM问题的目标是在有限的预算下挖掘出多个成本不同的节点作为种子，以尽可能地最大化影响力。通过首先激活这些种子节点并在给定的传播模型下传播影响力，可以在网络中达到影响力的最大化传播。已经为BIM提出了几种方法。它们中的大多数都是贪心算法的修改版本，该算法在IM上运行良好，但对于BIM来说似乎效率低下，因为不可避免地会消耗大量时间。近年来，一些智能算法被提出来以减少运行时间，但分析表明，它们不能充分利用网络中节点之间的关系，从而导致影响力损失。受此启发，本文提出了一种基于提升模拟退火（SA）算法的有效方法。提出了三种启发式策略来提高算法的性能和速度。在真实网络和合成网络上的实验结果表明，该算法在运行时间几乎相等或更少的情况下，性能明显优于已有算法。
2022-03-22 cs.GT cs.SI
Pairwise interaction pattern in the weighted communication network
虽然最近的研究表明，拓扑结构和人类动力学都可以强烈影响社交网络上的信息传播，但这两个重要因素之间复杂的相互作用尚未得到清楚的描述。在这项工作中，我们通过分析中国电信提供商内部短消息通信数据集生成的加权网络，发现了强的成对交互作用。成对交互桥接了网络拓扑结构和人类交互动态，这可以促进通信伙伴对之间的局部信息传播，并且相反地还可以抑制全局信息（例如，谣言）级联和传播。此外，两两交互是群组会话的基本模式，它可以大大减少一对亲密朋友之间通信事件的等待时间。本文的研究结果也有助于通信运营商设计新的资费策略，优化其通信服务。
2012-03-06 cs.SI physics.soc-ph
Influence Minimization Under Budget and Matroid Constraints: Extended Version
最近，在线社交网络已经成为政治竞选、病毒式营销和新闻传播的主要战场。因此，“不良行为者”越来越多地利用这些平台，成为其管理人员，企业和整个社会的关键挑战。假新闻的传播是这些行为者滥用社交网络的典型例子。虽然有些人主张采取更严格的政策来控制错误信息在社交网络中的传播，但这种情况往往损害其民主和有机结构。在本文中，我们研究了如何通过删除一些边缘来限制网络中目标用户集的影响。我们的想法是控制扩散过程，同时最大限度地减少网络结构中的干扰量。我们制定的影响力限制问题的数据驱动的方式，考虑到过去的传播轨迹。此外，我们考虑两种类型的约束的边缘去除，预算约束，也是一个更一般的，一组拟阵约束。这些问题在算法设计方面带来了有趣的挑战。例如，我们能够表明，影响限制是APX硬的，并提出确定性和概率近似算法的预算和拟阵版本的问题，分别。我们的实验表明，所提出的解决方案优于基线高达40%。
2019-01-08 cs.SI
Rank-Refining Seed Selection Methods for Budget Constrained Influence Maximisation in Multilayer Networks under Linear Threshold Model
本文针对线性阈值模型下多层网络的预算约束影响力最大化问题，评估16种种子选择方法并分析多因素对扩散效果的影响，扩展中心性度量，发现基于VoteRank的方法（尤其是$v-rnk-m$变体）扩散效果最优。
2025-04-15 cs.SI
Approximation Analysis of Influence Spread in Social Networks
在社交图中影响力传播的背景下，我们可以确定三个正交维度-开始时激活的种子节点数量（称为预算），传播结束时激活节点的预期数量（称为预期传播或覆盖）以及传播所需的时间。我们可以限制其中的一两个，并尝试优化第三个。在他们的开创性论文中，Kempe等人限制了预算，不限制时间，并最大化了覆盖范围：这个问题被称为影响力最大化。在本文中，我们研究了病毒式营销活动中自然受到资源和时间约束的替代优化问题。在第一个问题中，称为最小目标集选择（或简称MINTSS），覆盖阈值n是给定的，任务是找到最小尺寸的种子集，通过激活它，至少n个节点最终被激活在预期的意义上。在第二个问题中，称为MINTIME，给出了覆盖阈值n和预算阈值k，并且任务是找到大小至多为k的种子集，使得通过激活它，在最小可能的时间内激活至少n个节点。这两个问题都是NP难的，这激发了我们对它们的近似的兴趣。对于MINTSS，我们开发了一个简单的贪心算法，并表明它提供了一个双准则近似。我们还建立了一个通用的硬度结果表明，提高它可能是困难的。对于MINTIME，我们表明，即使双准则和三准则近似是很难在几个条件下。然而，如果我们允许预算增加一个对数因子，并允许覆盖范围不足，那么这个问题可以在PTIME中得到精确解决。最后，我们通过将它们与各种启发式方法进行比较，展示了近似算法的价值。
2011-11-05 cs.CC cs.DM cs.SI
The Stochastic Firefighter Problem
Technion - Israel Institute of Technology（以色列理工学院）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
研究网络中个体顺序接种策略，提出在概率环境下最优的接种策略，并在不同网络结构上计算感染人数的期望上界和下界。
2017-11-22 cs.AI cs.SI cs.SY
Identifying Influential Nodes in Weighted Networks using k-shell based HookeRank Algorithm
寻找有影响力的传播者是网络分析领域的一项重要任务，因为它具有许多理论和实践意义。这些节点在信息扩散过程中发挥着至关重要的作用，就像病毒式营销一样。许多现实生活中的网络都是加权网络，但与未加权网络相比，在加权网络中找到有影响力的节点的工作相对较少。在本文中，我们提出了一个基于k壳的HookeRank（KSHR）算法来识别加权网络中的扩散器。首先，我们提出了加权k壳中心节点u通过使用$u$的k壳值，其邻居的k壳值（$v$），以及它们之间的边权重（$w_{uv}$）。我们将网络中的边建模为弹簧，边权重为弹簧常数。基于胡克弹性定律的概念，我们假设一个力等于加权k壳值作用在每个节点上。在这种安排中，我们制定了KSHR中心的每个节点使用相关的加权k壳值和等效的边的权重，通过照顾从源节点的边缘的串联和并联组合，最多3跳邻居。该算法找到有影响力的节点，可以传播信息的最大数量的节点在网络中。我们比较我们提出的算法与流行的现有算法，并观察到它优于他们在许多现实生活中的和合成的网络使用易感性感染的传播（SIR）信息扩散模型。
2021-01-23 cs.SI physics.soc-ph
The weighted tunable clustering in local-world networks with incremental behaviors
由于一些现实网络不仅受到增量行为的影响，而且还受到可调聚类机制的影响，新节点将被添加到网络中，因此对这些实际网络的模型进行表征是很有趣的。本文提出了一种结合增量行为和可调聚类机制的加权局域世界模型，并研究了该模型的度分布和聚类系数等性质.数值模拟结果符合模型特征，并显示出良好的右偏无标度特性。此外，我们还研究了模型中顶点的相关性，证明了模型的相关性。通过对模型进行加权传播率的传染病传播过程分析，表明可调聚类行为对传染病传播动态有很大影响。关键词：加权网络，增量行为，可调聚类，传染病传播.
2012-02-02 cs.SI physics.soc-ph
Spread, then Target, and Advertise in Waves: Optimal Budget Allocation Across Advertising Channels
Yale University（耶鲁大学）；University of Pennsylvania（宾夕法尼亚大学）；Cornell University（康奈尔大学）；University of California, Davis（加州大学戴维斯分校）；Army Research Laboratory（陆军研究实验室）
本文研究了在有限预算下如何优化广告渠道分配，通过波浪式投放最大努力，随后停止以让影响传播，同时强调在选举前夕应投资于能精准定位个体的渠道。
2018-07-24 cs.SI cs.SY eess.SY
A k-shell decomposition method for weighted networks
本文提出了一种计算加权网络k壳层结构的一般方法。该方法同时考虑了网络的权重和度，在没有权重的情况下，我们恢复了经典的k壳分解所获得的壳结构。在存在权重的情况下，我们证明了该方法能够以更精细的方式划分网络，而不需要对权重值设置任何任意阈值。此外，通过在四个不同加权的真实世界网络中使用可传染性恢复模型模拟传播过程，我们表明加权k壳分解方法通过将具有较高传播潜力的节点放置到更靠近核心的壳中，从而更准确地对节点进行排名。此外，我们证明了我们的新方法在一个真正的经济网络，并表明，从经济的角度来看，使用加权k壳方法计算的核心是更有意义的，与未加权的。
2012-08-27 cs.SI physics.soc-ph
Fast Response to Infection Spread and Cyber Attacks on Large-Scale Networks
我们提出了一种策略，用于设计快速响应网络攻击和感染在复杂加权网络上传播的方法。在这些网络中，节点可以被解释为系统的原始元素，加权边反映了这些元素之间的相互作用的强度。所提出的策略属于家庭的多尺度方法，其目标是近似的系统在多个尺度的粗糙度，并获得微观尺度的解决方案，通过结合从粗尺度的信息。近年来，这些方法已经证明了它们在解决大规模网络优化和分析问题方面的潜力。我们考虑的最优化问题，是基于SIS流行病模型。其目的是检测网络节点，必须进行免疫，以保持系统中的低水平的感染。
2012-06-30 cs.CR cs.SI physics.soc-ph
Distance Backbones Optimize Spreading Dynamics and Centrality Ranks in the Sparsification of Complex Networks
Politecnico di Torino（都灵理工大学）；CENTAI Institute（CENTAI研究所）；Universidade Católica Portuguesa, Católica Medical School, Católica Biomedical Research Centre（葡萄牙天主教大学，天主教医学院，天主教生物医学研究中心）；Binghamton University (State University of New York)（宾厄姆顿大学（纽约州立大学））
本文提出距离骨干合成方法，通过渐进稀疏化保留网络连接性和传播动态，优化中心性排名和拓扑结构。
2026-03-18 cs.SI math.GN physics.soc-ph
Budget-Independent Influence Maximization in Nearly Linear Time
Fuzhou University（福州大学）
针对影响力最大化问题，提出一种预算无关的算法，通过保留种子位置和样本计数估计，在近乎线性时间内达到 $(1-1/e-\varepsilon)$ 近似，消除了对种子预算 $k$ 的乘法依赖。
2026-10-01 cs.DS cs.SI
Robust Budget Allocation via Continuous Submodular Functions
Massachusetts Institute of Technology（麻省理工学院）
在过去的几年里，资源的最佳分配以最大限度地提高影响力、信息传播或覆盖范围，特别是在机器学习和数据采掘中，已经引起了人们的关注。但在实际应用中，问题的参数很少被精确地知道，使用错误的参数可能会导致不期望的结果。因此，我们从鲁棒优化的角度重新审视了Alon等人（2012）引入的预算分配或二分影响力最大化问题的连续版本。在这种情况下，对手可能会选择置信集内最不利的参数。由此产生的问题是一个非凹凸鞍点问题（或对策）。我们表明，这个非凸问题可以完全解决利用连接到连续的次模函数，并通过解决一个约束次模最小化问题。虽然有约束的子模最小化是很难在一般情况下，在这里，我们建立的条件下，这样的问题可以解决到任意精度$ε$。
2017-06-13 cs.AI cs.DS cs.LG
Sparse Resource Allocation for Spreading Processes on Temporal-Switching Networks
传播过程，例如流行病，野火和谣言，通常在静态网络上建模。然而，它们的基本网络结构，例如社交网络中不断变化的联系人，野火的不同天气预报，是由于不断变化的环境本质上是随时间变化的。因此，在本文中，我们提出了一个优化框架，稀疏资源分配控制的时间网络与已知的连接模式的传播过程。我们使用凸优化，特别是指数锥规划，和动态规划技术，以约束和最大限度地减少未被发现的爆发的风险，通过分配预算资源，每个时间步。我们展示了错误信息，流行病和野火的例子，该方法如何能够提供有针对性的资源分配。
2023-02-04 cs.SI cs.SY eess.SY
How Do Emotions Spread And Affect Decision-Making In Social Networks? An Opinion Dynamics Perspective
Indian Institute of Technology Kanpur（坎普尔印度理工学院）
该研究从观点动力学视角，提出基于环模型和拉普拉斯流的情感建模框架，揭示情感传染使相似情感智能体达成共识，进而产生观点共识、极化等行为，并通过数据集验证了相关发现。
2026-10-16 cs.SI cs.SY eess.SY
Optimal Intervention on Weighted Networks via Edge Centrality
假设有一个传播过程，如传染病在图上传播。我们如何在传播过程中减少受影响的节点数量？这个问题出现在最近关于在移动网络上实施移动干预的研究中（Chang等人（2021））。减少未加权图上的感染的实用算法是移除具有最高边缘中心性得分的边缘（Tong等人（2012）），该边缘中心性得分是两个相邻节点的特征得分的乘积。然而，移动性网络具有加权边缘;因此，除了边缘移除之外，干预措施还将涉及边缘权重降低。受这个例子的启发，我们重新审视了通过将边权重降低到固定预算来最小化加权图上的顶部特征值的问题。我们观察到Tong et al.（2012）的边中心性得分等于$WW^{\top}$的最大特征值的梯度，其中$W$表示图的权重矩阵。然后，我们提出广义边缘中心分数的梯度的总和最大的$r$特征值的$WW^{\top}$。有了这个推广，我们设计了一个迭代算法，找到最佳的边重量减少收缩的最大$r$特征值的$WW^{\top}$在给定的边重量减少预算。我们还扩展了我们的算法和它的保证随时间变化的图形，其权重随着时间的推移而演变。我们进行了详细的实证研究，以验证我们的方法。我们的算法显着减少了感染的数量相比，现有的方法在11个加权网络。此外，我们说明了我们的算法的几个属性，包括选择秩$r$的好处，快速收敛到全局最优，和几乎线性运行时间每次迭代。
2023-03-16 cs.DS cs.SI math.OC
Combined Centrality Measures for an Improved Characterization of Influence Spread in Social Networks
影响力最大化（Influence Maximization，IM）的目标是在社交网络中发现最具影响力的用户。例如，在特定传播模型内最大化意见传播的用户。以前的工作研究了影响扩散和节点中心性措施之间的相关性，以绕过更昂贵的IM模拟。结果是有希望的，但不完整，因为这些研究调查的性能（即。例如，识别有影响力的用户的能力）的中心性措施，只有在有限的设置，e。例如，在一个实施例中，在无向/未加权网络中和/或在IM较不常见的传播模型内。在本文中，我们首先表明，良好的结果内的易感性-删除-删除（SIR）的无权重和无向网络的传播模型不一定转移到流行的独立级联（IC）的传播模型下的有向或加权网络。然后，我们确定了一组具有良好性能的加权和有向网络内的IC模型的中心性措施。我们的主要贡献是一种新的方式来结合在一个封闭的公式，以产生更好的结果的中心性措施。此外，我们还扩展了引力中心性（GC）与建议的组合中心性措施。我们在50个真实数据集上的实验表明，我们提出的中心性测度显著优于著名的中心性测度和最先进的GC测度。社交网络，影响力最大化，中心性测度，IC传播模型，影响力传播者
2020-03-11 cs.SI physics.soc-ph
Information Source Finding in Networks: Querying with Budgets
在本文中，我们研究了一个问题，通过查询个人的扩散信息的来源，给定一个样本快照的信息扩散图，其中两个查询被问：{ \em（i）}是否响应源或没有，和{ \em（ii）}如果没有，哪个邻居传播的信息的响应。我们考虑的情况下，受访者可能并不总是真实的，一些成本是采取每个查询。我们的目标是量化的必要和足够的预算，以实现检测概率$1-δ$为任何给定的$0<δ<1.$为此，我们研究了两种类型的算法：自适应和非自适应的，其中每一个对应于我们是否自适应地选择下一个受访者的答案的基础上，以前的受访者或没有。首先，我们提供了信息理论的必要的预算在这两种算法类型的下限。在足够的预算方面，我们提出了两个实用的估计算法，每一个非自适应和自适应类型，并为每一种算法，我们定量分析的预算，以确保$1-δ$检测精度。该理论分析不仅量化了实际估计算法在找到扩散源时实现给定目标检测精度所需的预算，而且还使我们能够定量地表征非自适应类型估计所需的额外预算的量，称为{ \em自适应间隙}。我们验证了我们的理论研究结果在合成和现实世界的社交网络拓扑结构。
2020-10-22 cs.SI
A Multi-phase Approach for Improving Information Diffusion in Social Networks
为了最大化社会网络中的影响力传播，给定一定的预算的种子节点的数量，我们研究了在多个阶段中选择和激活种子节点的影响。特别是，我们制定了一个适当的目标函数，两个阶段的独立级联模型下的影响力最大化，研究其性质，并提出算法，确定种子节点在两个阶段。我们还研究了确定最佳的时间分裂和两个阶段之间的延迟的问题。
2015-02-21 cs.SI
BCIM: Budget and capacity constrained influence maximization in multilayer networks
针对现有带预算影响最大化问题仅考虑预算约束、适配性不足的问题，提出多层网络下的BCIM问题及MMGA算法，满足双约束且效率更高，传播性能较基线提升至少10%，开辟了影响最大化研究新方向。
2024-10-07 cs.SI
Localization and Spreading of Diseases in Complex Networks
利用无权和加权网络的SIS模型，我们考虑了疾病局部化现象。与公认的观点，即疾病感染的顶点以上的流行阈值的有限部分，我们表明，疾病可以本地化的有限数量的顶点，其中枢纽和大权重的边缘是本地化的中心。我们的研究结果来自于对网络的标准模型和现实网络的经验数据的分析。
2012-08-06 cond-mat.dis-nn cs.SI physics.bio-ph
Effectiveness of Diffusing Information through a Social Network in Multiple Phases
我们研究使用多个阶段的有效性，通过社会网络的信息扩散的程度最大化，并提出见解，同时考虑到各个方面。特别是，我们专注于独立级联模型的可能性，自适应地选择种子节点在多个阶段的基础上观察到的扩散在前面的阶段，并进行了详细的模拟研究真实世界的网络数据集和各种值的播种预算。我们首先提出了一个负面的结果，即更多的阶段并不能保证更好的传播，但是更多阶段的适应性优势通常会导致更好的传播，正如在现实世界的数据集上观察到的那样。我们研究如何扩散在多个阶段影响的平均值和标准差的分布代表的扩散程度。然后，我们研究了阶段的数量如何影响多相扩散的有效性，扩散如何逐阶段进行，以及如何将总种子预算分配给各个阶段的最佳方式。我们的实验表明，当我们从单相移动到两相时，会有显著的增益，当我们进一步移动到三相时，会有可观的增益，但此后的边际增益通常不是很显著。我们的主要结论是，给定阶段的数量，将预算分配到各个阶段的最佳方式是，每个阶段中受影响的节点数量几乎相同。
2018-02-24 cs.SI physics.soc-ph
Optimal Budget Allocation in Social Networks: Quality or Seeding
本文研究了社交网络中的营销和产品消费策略模型。我们考虑两个竞争的公司在市场上提供两种替代产品与预设的质量。代理选择他们的消费后，近视的最佳反应动力学，导致在本地，线性更新的消费。在某个时间点，企业收到有限的预算，他们可以使用它来触发网络中对其产品的更大消费。公司必须在略微提高产品质量和向网络中选定的一组代理商提供免费报价之间作出决定，以便更好地促进产品的推广。我们推导出一个简单的阈值规则的预算的最优分配，并描述由此产生的纳什均衡。结果表明，预算的最优分配取决于网络中心的整体分布、产品质量和模型参数。特别是，我们表明，在一个图形与较高数量的代理中心高于一定的阈值，公司花更多的预算在播种的最优分配。此外，如果种子预算对于平衡图是非零的，那么它对于任何其他图也将是非零的，并且如果种子预算对于星形图是零的，那么它对于任何其他图也将是零的。我们还发现，企业分配更多的预算，以改善质量时，他们的质量是接近，以距离自己从竞争对手的公司。然而，随着质量差距的扩大，质量竞争变得不那么有效，公司在种子上花费更多的预算。
2014-04-04 cs.GT cs.SI math.OC
Nonlinear Higher-Order Label Spreading
Gran Sasso Science Institute（格兰萨索科学研究所）；Cornell University（康奈尔大学）
标签扩散是一种利用点云或网络数据进行半监督学习的通用技术，其可以被解释为标签在图上的扩散。虽然标签扩散有许多变体，但几乎所有都是线性模型，其中节点的传入信息是来自相邻节点的信息的加权和。在这里，我们通过图中高阶结构的非线性函数（即图中的三角形）将非线性添加到标签传播中。对于一类广泛的非线性函数，我们证明了我们的非线性高阶标签扩散算法收敛到一个约束半监督损失函数的全局解。我们证明了我们的方法在各种点云和网络数据集上的效率和功效，其中非线性高阶模型与经典的标签扩散以及超图模型和图神经网络相比毫不逊色。
2020-06-08 cs.LG cs.SI math.SP
Centrality-Weighted Opinion Dynamics: Disagreement and Social Network Partition
本文提出了一个基于社会网络结构和网络中心性的网络舆论动力学模型。该模型的概念新颖之处在于，在表征社交网络上的意见传播时，每个人的意见都被相关的网络中心性加权。在度中心加权的意见动态模型，我们提供了一个算法，任何图的节点划分成两个和多个集群的意见分歧的基础上。最后，将该划分算法应用于现实社交网络，包括Zachary karate club网络[1]和southern woman网络[2]，这些应用实例间接验证了度中心加权意见动力学模型的有效性.最后，建立了一般的中心加权意见动力学模型的性质。
2021-04-08 cs.SI cs.SY eess.SY
Epidemic spreading on complex networks with general degree and weight distributions
疾病在复杂网络上的传播引起了物理学界的广泛关注。最近的研究表明，异质度和权重分布对流行病动力学有着重要的影响。在这项研究中，一种新的基于边权重的分区方法被开发用于估计具有一般度和权重分布的网络上的流行病阈值和流行病大小（最终感染密度），并且获得了与数值的显著一致性。即使在复杂的网络与强异构度和权重分布，这种方法是工作。我们提出了一种基于边权重的不同偏向的删除策略，发现当优先删除高权重的边时，这种策略可以有效地控制流行病的传播，特别是当网络的权重分布非常不均匀时。理论结果表明，该方法能较准确地预测上述去除效果.
2014-07-03 cs.SI physics.soc-ph
Effective Influence Spreading in Temporal Networks with Sequential Seeding
网络中的影响力传播在许多应用领域都是一个非常重要的话题。例如，人们希望最大限度地扩大覆盖面，限制营销活动初始化的预算，并利用社会影响力的潜力。为了解决这个问题和类似的挑战，十多年前，研究人员开始研究影响力最大化问题。挑战在于找到初始激活的种子节点的最佳集合，以最大化网络中的影响力传播。在典型的方法中，我们将在单个阶段激活所有种子，在这个过程的开始，而在这项工作中，我们介绍和评估一种新的方法，种子激活时序网络的基础上顺序播种。这种方法不是同时激活所有节点，而是分散种子的激活，从而导致更大范围的影响力传播。使用真实和随机网络进行的实验结果表明，所提出的方法在71%的情况下优于单阶段播种，平均近6%。知道时间网络是建模动态过程的适当选择，这项工作的结果可以被解释为鼓励将时间顺序播种应用于现实世界的情况下，特别是知道更复杂的种子选择策略可以通过使用本工作中引入的种子激活策略来实现。
2020-09-10 cs.CY cs.SI
Dynamic Laplace: Efficient Centrality Measure for Weighted or Unweighted Evolving Networks
社会网络分析（SNA）起源于社会学，迅速出现并传播到其他研究领域，包括人类学、生物学、信息科学、组织研究、政治学和计算机科学。由于社会网络分析的目的是通过网络和图论来研究社会结构，因此它是当今几个领域中的一个重要研究领域。社会网络分析处理不同的问题，即网络度量，模型，可视化和信息传播，每一个都有几种方法，方法和算法。社会网络分析的关键领域之一涉及不同中心性度量的计算（即：图中最重要的顶点）。如今，挑战是如何快速有效地做到这一点，因为有越来越多的数据集可用。最近，需要将这种中心性算法应用于非静态网络（即：随着时间的推移而发展的网络）也是一个新的挑战。中心性度量的增量和动态版本开始出现（介数，接近度等）。我们的贡献是两个增量版本的拉普拉斯中心性措施的建议，不仅可以应用于大型图形，但也加权或不加权，动态变化的网络。实验评估进行了几次测试，在不同类型的不断发展的网络，增量或完全动态。结果表明，我们的增量版本的算法可以计算节点的中心在大型网络，更快，更有效地比相应的批处理版本在增量和全动态网络设置。
2018-08-08 cs.SI physics.soc-ph
Modeling Epidemic Spreading through Public Transit using Time-Varying Encounter Network
公共交通（PT）网络中的乘客接触可能是传染病传播的关键媒介。本文提出了一个时变加权PT相遇网络模型，通过PT系统的传染病传播。在地方和全球层面的社会活动联系也被考虑在内。我们选择2019冠状病毒病（COVID-19）的流行病学特征作为案例研究，并结合新加坡的智能卡数据来说明城市层面的模型。一个可扩展的和轻量级的理论框架来捕捉时变和异构的网络结构，这使得在整个人口水平上解决问题，具有较低的计算成本。从公共卫生方面和运输方面的不同控制政策进行了评估。我们发现人们的预防行为是控制流行病传播的最有效措施之一。从交通方面看，部分关闭公交线路有助于减缓疫情，但无法完全遏制疫情蔓延。利用智能卡资料识别“有影响力的乘客”，并及早隔离他们，亦可有效减少传染病传播。
2020-11-22 cs.SI physics.soc-ph q-bio.PE
Sequential seeding in multilayer networks
多层网络是多个真实世界系统的底层结构，其中我们在节点之间有不止一种类型的交互/关系：社交，生物，计算机或通信，仅举几例。在许多情况下，它们有助于对发生在它们上面的过程进行建模，从而获得更多关于这些现象的知识。这种过程的一个例子是影响力的传播。在这里，社会系统的成员通过相互联系、分享观点或想法，或者明确地通过说服，在整个网络中传播影响力。由于这一过程的重要性，研究人员调查了社交网络中的哪些成员应该被选为影响力传播的发起者，以最大限度地发挥影响力。在这项工作中，我们遵循这个方向，开发和评估多层网络的顺序播种技术。到目前为止，这些技术仅使用简单的单层网络进行评估。结果表明，顺序播种在多层网络优于传统的方法，增加了覆盖范围，并允许节省播种预算。然而，它也延长了扩散过程的持续时间。
2021-03-12 cs.SI
Target-Aware Network Dismantling with Limited Budgets
Shandong University（山东大学）；City University of Hong Kong（香港城市大学）；Musketeers Foundation Institute of Data Science, The University of Hong Kong（香港大学 Musketeers 基金会数据科学研究所）；Department of Data and Systems Engineering, The University of Hong Kong（香港大学数据与系统工程系）；HKU Shanghai Intelligent Computing Research Center（香港大学上海智能计算研究中心）；Department of Pharmacology and Pharmacy, Li Ka Shing Faculty of Medicine, The University of Hong Kong（香港大学李嘉诚医学院药理学与药学系）；The University of Hong Kong – Shenzhen Hospital（香港大学深圳医院）；Shenzhen Loop Area Institute（深圳河套学院）
本研究提出目标感知网络拆解框架，发现预算稀缺时隔离结构核心个体优于接触者策略，并开发深度强化学习模型RAIL以自适应选择最优干预，最大化人口保护。
2026-10-07 cs.SI
MCWDST: a Minimum-Cost Weighted Directed Spanning Tree Algorithm for Real-Time Fake News Mitigation in Social Media
National University of Science and Technology Politehnica Bucharest（布加勒斯特国立科技理工大学）；University of Copenhagen（哥本哈根大学）
本文提出一种端到端方案，结合卷积与双向LSTM的堆叠深度学习检测假新闻，并通过构建最小代价加权有向生成树和危害性排序实时免疫传播节点，在五个真实数据集上验证了有效性。
2024-01-19 cs.AI cs.CL cs.NE
Interplay of network dynamics and ties heterogeneity on spreading dynamics
网络的结构显著影响着网络上的传播现象，节点的接触分布一直被认为是影响爆发事件的关键因素。然而，有限的知识是目前可用的作用的权重的边缘上的持久性的病原体。与此同时，最近的研究表明，时间网络动态对疾病传播的影响很大。在这项工作中，我们提供了一个分析的理解，证实了数值模拟，在加权网络中的感染稳定状态的条件。特别是，我们揭示了边缘权重的异质性和动态分配的权重在网络中的关系，在推动流行病的传播的作用。在这种情况下，我们表明，当权重被动态分配到网络中的关系的异质分布是能够阻碍疾病的扩散，相反，当权重是固定的时间发生什么。
2014-07-29 cs.SI physics.bio-ph physics.data-an
Containing a spread through sequential learning: to exploit or to explore?
University of Pennsylvania（宾夕法尼亚大学）；JPMorgan Chase & Co.（摩根大通公司）
通过检测和隔离受感染的节点，可以遏制不希望的接触过程（如传染病（如COVID-19））的传播。该过程的时间和空间演变（以及通过隔离的遏制）使这种检测与主动搜索检测策略根本不同。在这项工作中，通过一个主动学习的方法，我们设计的测试和隔离策略，以遏制传播，并在给定的测试预算下，最大限度地减少累积感染。我们证明，可以优化的目标，性能保证，通过grenessly选择节点进行测试。我们进一步设计了基于奖励的方法，有效地减少了累计感染的上限，并且在大型网络中更易于计算。然而，这些策略需要关于节点的感染概率的知识，这些感染概率是动态变化的，并且必须通过顺序测试来学习。为此，我们开发了一个消息传递框架，并在此基础上，通过奖励为基础的知识和探索未知的探索，通过精心设计的概率测试之间的新的权衡。的权衡是从根本上不同于经典的同行下主动搜索或多臂强盗问题（MABs）。我们证明了探索的必要性，在一个程式化的网络，并通过模拟显示，勘探可以优于开发在各种合成和真实的数据网取决于网络的参数和传播。
2023-03-23 cs.LG cs.SI cs.SY
Competitive Diffusion in Social Networks: Quality or Seeding?
Department of Electrical and Systems Engineering and GRASP Laboratory at University of Pennsylvania（宾夕法尼亚大学电气与系统工程系及GRASP实验室）
本文研究了社交网络中营销和产品消费的战略模型，分析了企业在有限预算下如何通过产品质量或初始播种优化产品扩散，并探讨了预算和网络结构对最优分配的影响。
2015-03-04 cs.GT cs.SI cs.SY
