Campaigning in Heterogeneous Social Networks: Optimal Control of SI Information Epidemics
Indian Institute of Science(印度科学学院)
研究在社会网络中通过SI过程最大化信息传播的最优控制问题,分析不同网络结构对资源分配的影响,提出针对不同度数节点的最优策略,提升信息传播效率。
2015-12-25 cs.SI cs.SY eess.SY
Optimal Resource Allocation Over Time and Degree Classes for Maximizing Information Dissemination in Social Networks
Indian Institute of Science(印度科学研究所)
研究在社交网络中通过时间与度类分配竞选资源以最大化信息传播,采用传染病模型并结合直接招募策略,通过最优控制问题优化奖励函数,分析网络拓扑对控制策略的影响。
2016-01-22 cs.SI cs.SY eess.SY
Optimal Multiphase Investment Strategies for Influencing Opinions in a Social Network
我们研究了在竞争环境中对社交网络节点进行最优投资的问题,其中两个阵营的目标是最大限度地通过人口来采纳他们的意见。特别是,我们认为在多个阶段的竞选活动的可能性,在一个阶段中的一个节点的最终意见作为其初始偏见的意见为下一阶段。使用流行的DeGroot-Friedkin模型的扩展,我们制定的营地的效用函数,并表明它们涉及什么可以被解释为多相卡茨中心。针对这两个阶段,我们分析得出纳什均衡的投资策略,以及一个阵营将招致的损失程度,如果它采取短视的行动。我们的模拟研究证实,节点赋予较高的权重,以初始偏见需要在第一阶段的投资,从而影响这些偏见的终端阶段。然后,我们研究的设置中,一个阵营的节点的影响取决于其初始偏差。对于单营地,我们提出了一个多项式时间算法,以确定一个最佳的方式来分割两个阶段之间的预算。对于竞争的阵营,我们证明了合理的假设下的纳什均衡的存在,并且它们可以在多项式时间内计算。
2018-04-17 cs.SI
Predicting Twitter User Socioeconomic Attributes with Network and Language Information
University of Sheffield(谢菲尔德大学);Imperial College London(伦敦帝国理工学院)
社会媒体用户的社会经济属性(如职业和收入)的推断是计算社会科学中的一个重要问题。这些特征的自动推理在个性化推荐系统、有针对性的计算广告和在线政治竞选中有应用。虽然以前的工作已经表明,语言特征可以可靠地预测Twitter上的社会经济属性,但尚未针对如此复杂的用户特征探索使用来自用户社交网络的信息。在本文中,我们描述了一种方法,用于预测职业类和收入的Twitter用户给定的信息提取从他们的扩展网络通过学习低维向量表示的用户,即图嵌入。我们使用这种表示来训练职业类别和收入的预测模型。两个公开数据集的结果表明,我们的方法在这两个任务中始终优于最先进的方法。当我们将图嵌入与文本特征相结合时,我们还获得了进一步的显着改进,表明社交网络和语言信息是互补的。
2018-04-11 cs.AI cs.CL cs.SI
Limitations of Time Resources in Human Relationships Determine Social Structures
一个人可以参与有限数量的社会关系,这种关系的强度分布显示出显着的倾斜。这种偏斜表明,与他人建立联系所需的社会互动(社会修饰)的成本和收益取决于社会关系的强度:如果它们涉及统一的成本和收益,分布就不会偏斜。在这里,我们表明,社会疏导的成本增加的社会关系的强度,其梯度决定了这些关系在社会中的结构,从六个通信系统的数据分析明显。这可能是由于通信量的增加,例如字符数量和呼叫持续时间,以及社交关系强度的增加。我们使用基于个人的模拟来测试这一假设,其中假设社交修饰成本随着社交关系强度线性增加;这是最简单的假设。结果表明,该模型拟合所有数据集,即,它对这一现象具有解释能力。此外,对该模拟的分析表明,社会疏导成本的梯度增加了其通信系统中社会关系的宽度和浅度。
2017-02-14 cs.SI physics.soc-ph
Cost Effective Rumor Containment in Social Networks
通过社交媒体和在线社交网络传播谣言不仅会扰乱公民的日常生活,还会造成生命和财产损失。当个人无法确定信息的真实性时,谣言就会传播开来,错误地将谣言当作真实的信息并将其传递给他们的熟人。我们提出了一个解决方案,其中一组个人(基于他们的程度)在社交网络中进行训练,并提供资源,以帮助他们区分谣言从真正的信息。通过制定一个优化问题,我们计算出最佳的个人,谁必须接受培训,和培训的质量,最大限度地减少预期的培训成本,并确保谣言爆发的规模上界。我们的主要贡献是,虽然最优化问题原来是非凸的,我们表明,这个问题是等价于解决一组线性规划。这一结果也使我们能够解决的问题,最小化的谣言爆发的大小为给定的成本预算。最佳解决方案显示了一个有趣的模式,可以作为一个启发式实现。这些结果可以证明是非常有用的社会规划和执法机构,防止危险的谣言和错误的信息流行。
2014-04-27 cs.SI physics.soc-ph
Influence of NaMo App on Twitter
社交媒体在当今社会中发挥着至关重要的作用。它导致人们如何联系和沟通,传达和交流思想的范式变化。此外,社交媒体已发展成为消费者的关键知识网络,也影响决策。在选举中,社交媒体成为政治竞选活动的一个组成部分,以接触更多的受众并获得更多的支持。2019年人民院选举见证了Twitter、Facebook和WhatsApp等在线社交媒体平台的使用量大幅飙升;每个主要政党都推出了自己有组织的社交媒体活动。2014年,印度人民党(BJP)通过推出其应用程序- NaMo App在组织竞选活动方面领先一步。我们将研究重点放在2019年Lok Sabha选举和CAA抗议活动期间的Twitter和NaMo App上。Twitter是一个平台,每个人都可以表达自己的观点,没有偏见。相比之下,NaMo App是第一个以特定政党为中心的应用程序之一。它充当了印度人民党组织政治运动的数字媒体,使人民的意见对他们有利。本研究旨在描述NaMo应用程序在更传统的网络中的作用,如Twitter在塑造政治话语中的作用,并研究在线回声室的存在。我们首先分析了在Twitter上使用NaMo应用程序共享的内容的数量和类型。我们对回音室的存在进行了内容和网络分析。我们还应用Hawkes过程来观察NaMo App对Twitter的影响。通过这项研究,我们可以得出结论,使用NaMo App分享内容的用户可能是在线回声室的一部分,很可能…
2021-09-04 cs.SI
On Budgeted Influence Maximization in Social Networks
给定用于选择每个节点的预算和任意成本,预算影响力最大化(BIM)问题涉及选择一组种子节点来传播一些信息,该信息以不超过预算的总成本最大化社交网络中受影响的节点的总数(称为影响扩散)。我们提出的BIM问题的种子选择算法保证了近似比(1 - 1/sqrt(e))。种子选择算法需要计算候选种子集的影响扩散,这是已知的#P-复合。识别贝叶斯网络中的边缘概率的计算和影响传播之间的联系,我们设计了有效的启发式算法后一个问题。使用大规模社交网络和合成生成的网络的实验表明,该算法具有优越的性能与适度的计算成本。此外,合成数据集允许我们改变网络参数,并获得关于图结构对不同算法性能的影响的重要见解。
2013-01-22 cs.SI physics.soc-ph
Least Cost Influence Maximization Across Multiple Social Networks
近年来,在在线社交网络(OSN)中,最小成本影响(LCI)问题已成为核心研究课题之一。它的目的是确定最少数量的种子用户谁可以触发一个广泛的信息传播级联。现有的文献大多只研究单个网络的LCI问题。然而,现在的用户往往加入几个OSN,这样的信息可以同时在不同的网络传播。因此,为了获得最佳的种子用户集,在这种情况下,考虑重叠用户的作用至关重要。在这篇文章中,我们提出了一个统一的框架来表示和分析多重网络中的影响力扩散。更具体地说,我们通过无损和有损耦合方案将一组网络映射到单个网络来解决LCI问题。无损耦合方案保留了原始网络的所有属性,以实现高质量的解决方案,而有损耦合方案提供了一个有吸引力的替代方案时,运行时间和内存消耗的主要关注。在真实和合成数据集上进行的各种实验验证了耦合方案的有效性,这也为多重网络中的影响传播过程提供了一些有趣的见解。
2016-06-29 cs.SI physics.soc-ph
Lightweight Interactions for Reciprocal Cooperation in a Social Network Game
互惠关系的建立需要在最初的会议期间进行合作互动。然而,与陌生人的合作行为是有风险的,因为陌生人可能是剥削者。在这项研究中,我们表明,人们增加了合作的可能性,陌生人使用轻量级的非风险的互动,在危险的情况下,基于分析的社会网络游戏(SNG)。他们可以通过这种方式建立互惠关系。交互涉及低成本的信号,因为它们不是以任何成本生成的。理论研究表明,低成本信号并不能保证可靠,因为来自发送者的低成本信号随时可能撒谎。然而,人们使用低成本信号来构建SNG中的互惠关系,这表明在人类进化中存在产生可靠,低成本信号的机制。
2016-11-08 cs.SI physics.soc-ph q-bio.PE
Cost Function Learning in Memorized Social Networks with Cognitive Behavioral Asymmetry
本文研究了社会信息网络中的代价函数学习问题,其中明确考虑了人类记忆对信息消费的影响。我们首先提出了一个社会信息扩散动力学模型,重点是系统建模的非对称认知偏差,代表确认偏差和新颖性偏差。在所提出的社会模型的基础上,我们提出了M $^{3}$ IRL:一个基于模型和最大熵的逆强化学习框架,用于学习记忆社交网络中目标个体的成本函数。与现有的贝叶斯IRL、最大熵IRL、相对熵IRL和最大因果熵IRL相比,M $^{3}$ IRL具有以下特点:不依赖于马尔可夫决策过程原理,只需要单个有限时间轨迹样本,决策变量有界。最后,通过在线社交媒体数据验证了所提出的社会信息扩散模型和M $^{3}$ IRL算法的有效性.
2022-10-28 cs.SI
Scalable Cost-Aware Multi-Way Influence Maximization
病毒式营销不同于其他营销策略,因为它利用了亲密关系中的影响力,例如,亲密的朋友,家庭成员,夫妻由于Facebook、Twitter和Pinterest等社交网络服务的发展和普及,近年来出现了“社交媒体营销”的新概念,并为在线实现大规模和流行的病毒式营销提供了新的机会。为了促进销售增长,企业正在大力拥抱社交媒体。据《今日美国》报道,运行企业社交网络的软件销售额将以每年61%的速度增长,到2016年将达到$6.4$亿美元的规模。
2015-06-26 cs.DS cs.SI physics.soc-ph
Modeling User Reputation in Online Social Networks: The Role of Costs, Benefits, and Reciprocity
我们分析了一个基于代理的模型来估计用户在在线社交网络(OSN)中的成本和收益如何影响OSN的鲁棒性。收益是根据用户从追随者那里获得的相对声誉来衡量的。它们可以通过相互跟随的直接和间接互惠来增加,这导致了OSN的核心-外围结构。费用涉及登录、维护个人资料等方面的工作,并假定对所有用户都是不变的。OSN的健壮性取决于用户随时间的进入和退出。直觉上,人们会认为更高的成本会导致更多的用户离开,从而导致OSN不那么健壮。我们证明了存在一个最优的成本水平,它最大限度地提高了OSN的性能,通过其用户的长期平均利益来衡量,和OSN的鲁棒性,通过OSN的核心的寿命来衡量。我们的数学和计算分析揭示了成本水平的变化如何影响互惠性以及OSN的核心-外围结构,以解释最佳成本水平。
2019-09-10 cs.MA cs.SI nlin.AO
A novel route to cyclic dominance in voluntary social dilemmas
合作是现代人类社会的支柱,因此了解成功的合作维持机制如何运作是一个优先事项。循环优势是一种非传递的设置,包括至少三种策略,其中第一种策略推翻第二种策略,第二种策略推翻第三种策略,第三种策略反过来又推翻第一种策略,已知它可以维持生物多样性,驱动细菌菌株之间的竞争,并在社会困境中保持合作。在这里,我们提出了一个新的路线,以循环的优势,在自愿的社会困境中,通过添加到传统的合作者,叛逃者和孤独者,第四种球员类型,风险厌恶对冲者,谁制定针锋相对支付对冲成本,以避免被利用。当这一成本足够小时,合作者、背叛者和套期保值者就进入了一个循环优势的循环,即使在最不利的条件下也能保持合作。相反,当套期保值成本很大时,套期保值者就会消失,从而恢复到传统的合作者、背叛者和孤独者的相互作用。在对冲成本的过渡区域,复杂的进化动态环境,促使两个,三个或四个竞争策略之间的状态转换。因此,我们的研究结果表明,自愿参与,但通过循环优势的持续合作的途径之一。
2020-02-12 cs.SI physics.soc-ph q-bio.PE
Cost-Effective Seed Selection in Online Social Networks
我们研究在线社交网络中的最小成本种子选择问题,目标是选择一组总成本最小的种子节点,使得网络中受影响节点的期望数量超过预定义的阈值.我们提出了几种算法,优于以前的研究,无论是在理论上的近似比和实验性能。在节点具有异质成本的情况下,我们的算法是第一个双准则近似算法多项式运行时间和可证明的对数性能界使用一般传染模型。在用户费用一致的情况下,该算法具有对数逼近比和可证明的时间复杂度,比现有算法小几个数量级.我们使用真实的社交网络进行广泛的实验。实验结果表明,该算法在总开销和运行时间上都明显优于现有算法,并且能够很好地扩展到十亿级网络。
2017-12-20 cs.DS cs.SI
A decision support system for optimizing the cost of social distancing in order to stop the spread of COVID-19
目前,世界各地有许多尝试使用电脑、智能手机、平板电脑和其他电子设备来阻止COVID-19的传播。这些尝试大多集中在收集有关感染者的信息,以帮助健康人避免与他们接触。然而,社会距离的决定仍然是由政府根据经验作出的。也就是说,当局没有一个自动化的工具来建议做出哪些决定,以最大限度地扩大社会距离,并最大限度地减少对经济的影响。在本文中,我们解决了上述问题,我们设计了一种算法,提供社交距离方法(即,关闭哪些学校、商店、工厂等)是有效的(即,这有助于减少病毒的传播),对经济的影响很小。简而言之:a)我们提出了几种模型(即,组合优化问题); b)我们显示了一些理论结果的计算复杂性制定的问题; c)我们给出了一个算法的最复杂的以前制定的问题; d)我们实现和测试我们的算法;和e)我们显示了一个整数线性规划制定我们的问题。
2020-04-06 cs.SI
Authority-based Team Discovery in Social Networks
给定一个专家的社交网络,我们解决了发现一个专家团队的问题,该团队共同拥有完成给定项目所需的一组技能。大多数以前的工作排名可能的解决方案的通信成本,代表在专家网络中的边权重。我们的贡献是考虑到专家的权威,代表节点的权重。我们制定了几个问题,结合通信成本和权力,我们证明了他们是NP-难的,我们提出并实验评估贪心算法来解决这些问题。
2016-11-16 cs.SI
A Low-cost, High-impact Node Injection Approach for Attacking Social Network Alignment
针对社交网络对齐攻击的实际可行性难题,提出DPNIA节点注入框架,通过脆弱性评估和动态规划搜索低成本链接注入策略,在四个真实数据集上显著优于基线。
2023-12-05 cs.SI
Identifying Cost-effective Debunkers for Multi-stage Fake News Mitigation Campaigns
在线社交网络已经成为传播假新闻的沃土。已经提出了自动减轻假新闻传播的方法。一些研究侧重于选择社交网络上的前k名有影响力的用户作为揭穿者,但揭穿者的社会影响力可能不会像预期的那样转化为广泛的缓解信息传播。其他研究假设了一组给定的揭穿者,并专注于优化揭穿者发布真实新闻的强度,但由于揭穿者是固定的,即使具有高社会影响力和/或高强度发布真实新闻,真实新闻也可能无法到达暴露于假新闻的用户,因此缓解效果可能有限。在本文中,我们提出了多阶段的假新闻缓解活动,其中在每个阶段的预算范围内动态选择揭穿者。我们制定它作为一个强化学习的问题,并提出了一个贪心算法优化预测未来的状态,使揭穿者可以选择的方式,最大限度地提高整体缓解效果。我们对合成和真实世界的社交网络进行了广泛的实验,并表明我们的解决方案在缓解效果方面优于最先进的基线。
2022-03-31 cs.SI
Estimating the Social Cost of Corporate Data Breaches
University of Michigan(密歇根大学)
本文研究如何估算数据泄露对受害者的真实社会成本,通过分析身份盗窃受害者的直接经济损失和重大泄露事件导致的身份盗窃增加,发现自2016年以来平均社会成本显著下降,且重大泄露事件后身份盗窃数量显著增加。
2026-10-20 cs.CR cs.CY cs.SI
Controlled Information Fusion with Risk-Averse CVaR Social Sensors
考虑一个多智能体网络,该网络由风险厌恶的社会传感器和控制器组成,它们在给定噪声测量的情况下共同寻求估计未知的自然状态。社会传感器网络执行贝叶斯社会学习-每个传感器使用贝叶斯规则将先前社会传感器揭示的信息与其私人估值融合在一起-以优化局部费用函数。控制器通过差别定价(控制输入)顺序地修改传感器的费用函数,以实现长期的全局目标。我们制定的随机控制问题所面临的控制器作为一个部分观测的马尔可夫决策过程(POMDP),并得出结构结果的最优控制政策的风险厌恶因子的函数的条件风险价值(CVaR)费用函数的传感器。我们表明,当传感器是风险厌恶的最优价格序列是一个上鞅,即,它随着时间的推移平均下降。
2017-12-21 cs.SI math.OC
Cost Sensitive GNN-based Imbalanced Learning for Mobile Social Network Fraud Detection
National Digital Switching System Engineering and Technological Research Center(国家数字交换系统工程技术研究中心);University of Toronto(多伦多大学);Fudan University(复旦大学)
随着移动网络的快速发展,人们的社交活动得到了极大的便利。然而,移动社交网络欺诈在这些网络上的兴起,已经造成了很大的困扰,在耗尽个人和社会财富的情况下,然后可能造成重大的经济损害。为了检测欺诈用户,描绘移动网络中用户的社交行为的呼叫详细记录(CDR)数据已经被广泛利用。但是,上述数据中的不平衡问题,这可能会严重阻碍基于图神经网络(GNN)的欺诈检测器的有效性,在以前的工作中几乎没有解决。本文将代价敏感学习与图神经网络相结合,提出了一种新的代价敏感图神经网络(CSGNN)。我们对两个开源的真实移动网络欺诈数据集进行了广泛的实验。实验结果表明,CSGNN能有效地解决图的不平衡问题,从而获得比现有算法更好的检测性能。我们相信我们的研究可以应用到解决其他领域的图不平衡问题。CSGNN代码和数据集可在https://github.com/xxhu94/CSGNN上公开获取。
2023-03-28 cs.AI cs.LG cs.SI
Cost Sharing in Social Community Networks
无线社交社区网络(WSCN)是在未许可频谱中操作的新兴技术,并且已经被创建为蜂窝无线网络的替代,用于在城市区域中提供低成本、高速无线数据接入。WSCN是一个即将到来的想法,开始在民间互联网用户中获得关注。通过使用由社交社区网络提供商(SCNP)提供的\emph{special} WiFi路由器,用户可以有效地与邻居共享他们的连接,以换取一些每月的金钱利益。然而,现有WSCN的部署地图反映了它们在占领WiFi路由器市场方面的缓慢进展。在本文中,我们着眼于路由器的设计和成本分摊问题,在WSCN,以提高部署。我们设计了一个简单的实现,成功的机制是成功的,如果它达到了预期的目的。例如,在这项工作中,一个成功的机制将有助于在本地安装路由器}、\emph{budget-balanced}、\emph{ex-post efficient}和\emph{individually rational} {如果每个代理获得的收益大于其成本,则该机制是单独合理的。}一种基于拍卖的机制,用于生成路由器应具有的\emph{optimal}功能数量,并将成本分配给\emph{proportion}中的住宅用户,使其获得相应的功能收益。我们的问题是重要的新进入的SCNP时,它要设计其多功能路由器的目标,以普及它们,并增加其部署在住宅区。我们提出的机制占异构用户的喜好对不同的路由器功能,并提出了最佳的\emph{(…
2011-03-08 cs.NI cs.SI
A Convex Framework for Optimal Investment on Disease Awareness in Social Networks
本文提出了一种凸框架,用于在社交网络中通过疾病意识投资最优控制传染病传播,基于SAIS模型分析网络结构和参数对传染病传播的影响。
2013-08-16 cs.SI cs.SY eess.SY
A Fast Recommendation Algorithm for Social Tagging Systems : A Delicious Case
三分图是诸如Delicious之类的社交标记系统中最常见的拓扑结构之一,其具有三种类型的节点(即,用户、URL和标签)。传统的基于协同过滤的社会化标签推荐系统对CPU时间开销有很高的要求。本文针对这一问题,提出了一种新的方法,通过粗聚类同时提取不重叠的用户聚类和对应的重叠项目聚类,以加速基于用户的协同过滤,并为社会化标签系统开发一种快速推荐算法。实验结果表明,与普通的基于用户的协同过滤算法相比,该方法能够显著降低$90\%$的处理时间开销,并相对提高了准确率。
2015-12-28 cs.IR cs.SI
De-anonymization of Social Networks with Communities: When Quantifications Meet Algorithms
如今,一个关键的隐私驱动的问题是通过将匿名社交网络映射到相关的跨域辅助网络来重新识别它们。先前的工作通常基于将社交网络建模为表示用户及其关系的随机图,并且随后通过在没有足够理由的情况下提出的成本函数来量化映射的质量。此外,如何在算法上满足这种量化的需求仍然是未知的,即,找到成本函数的最小值。我们在一个更现实的社会网络模型中解决了这些问题,该模型由社区结构参数化,可以作为去匿名化的辅助信息。通过最大后验概率(MAP)估计,我们的第一个贡献是新的和合理的成本函数,当最小化时,在以最高概率找到正确的映射方面比以前的成本函数具有优越性。成本函数的可行性,然后第一次在算法上的特点。在证明一般乘法不可近似性的同时,我们能够提出两种算法,它们分别在成功进行用户重新识别时具有ε-加法近似性和条件最优性。我们的理论研究结果得到了经验验证,从罕见的真实跨域网络中提取了一个值得注意的数据集,这些数据集再现了真正的社交网络去匿名化。理论和实证观察也表明了社区信息在增强隐私推理中的重要性。
2017-07-27 cs.CR cs.NI cs.SI
Optimizing Ad Allocation in Social Advertising
社交广告(或社交推广)是一种有效的方法,通过在线社交网络中的影响力产生大量的采用。这项工作的目标是从平台的角度优化广告分配。一方面,平台希望通过向尽可能多的人展示广告来最大限度地提高每个广告主的收入,另一方面,平台希望减少搭便车,以确保广告主的真实性。为了获得这种折衷,我们采用\emph{regret} \citep{viral2015social}的概念来测量广告分配方案的性能。特别是,我们研究了两个社会广告问题:\emph{budgeted social advertising problem}和\emph{unconstrained social advertising problem}。在第一个问题中,我们的目标是为每个广告客户选择一组种子,最大限度地减少遗憾,同时设置预算约束的注意力成本;在第二个问题中,我们建议优化的遗憾和注意力成本的线性组合。我们证明了这两个问题都是NP-困难的,然后对每个问题提出了一个常数因子近似算法。
2015-05-13 cs.GT cs.SI
Cost-Effective Activity Control of Asymptomatic Carriers in Layered Temporal Social Networks
Institute for Research in Fundamental Sciences (IPM)(基础科学研究院);University of Tehran(德黑兰大学);University of Alberta(阿尔伯塔大学);Nazarbayev University(纳扎尔巴耶夫大学);University of California, Merced(加州大学默塞德分校)
针对两层接触网络下SCIR流行病模型中无症状携带者活动控制的成本优化问题,提出逐次几何规划近似方法,在预算约束下最小化疾病衰减率,较传统中心性方法成本降低近33%。
2024-03-01 cs.MA cs.SI
Nash Equilibrium in Social Media
University of Toronto(多伦多大学)
研究社交媒体网络中纳什均衡寻求算法的应用,通过通信图共享信息以优化个体成本与收益。
2017-03-27 cs.GT cs.SI cs.SY
Cyber-Social Systems: Modeling, Inference, and Optimal Design
Semnan University(塞姆南大学);School of Computer Engineering, Sharif University of Technology(谢里夫理工大学计算机工程学院);Tufts University(塔夫茨大学)
本文研究了网络-社会系统的建模、推断和最优设计问题,提出了一种无需假设底层社会系统秩的分布式推断协议,开发了新型代理分类以确定不同类型的连接需求,并解决了具有分布式可观测性的网络约束的最优设计问题。
2019-03-29 cs.SI cs.SY eess.SY
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
Energy and Social Cost Minimization for Data Dissemination in Wireless Networks: Centralized and Decentralized Approaches
我们研究了无线网络中从一个源到多个节点的多跳数据传播,其中网络中的一些节点充当转发节点,并帮助源进行数据传播。在这个网络中,我们研究了两种情况; i)发送节点不需要激励进行传输,ii)它们确实需要激励,并且由相应的接收节点通过虚拟令牌支付。我们研究两个问题; P1)第一场景的网络功率最小化,以及P2)第二场景的社会成本最小化,定义为网络的节点为接收数据而支付的总成本。在本文中,为了解决P1和P2,我们提出了集中式和分散式的方法,确定网络中的哪些节点应该充当发送节点,找到它们的发送功率和相应的接收节点。为了能量效率,在我们的模型中,我们采用最大比合并(MRC)在接收器,使一个接收器可以由多个发射器。所提出的分散式方法是基于非合作成本分担博弈(CSG)。在我们提出的游戏中,每个接收节点选择其各自的发送节点,因此,成本被分配给它根据施加在其选择的发送节点的功率。我们讨论了网络是如何以分散的方式形成的,找到了游戏中节点的行为,并表明,尽管是分散的,所提出的游戏收敛到一个稳定的解决方案。为了找到集中式全局最优值,这是我们分散式方法的基准,我们使用混合整数线性程序(MILP)。仿真结果表明,我们提出的分散式方法优于传统算法的能源效率和社会成本,同时它可以解决需要的激励合作。
2020-03-21 cs.GT cs.NI cs.SI