CENI: a Hybrid Framework for Efficiently Inferring Information Networks
如今,用户或网站之间的信息传播链接推动了无数创新应用的发展。然而,在现实中,当网络中的不同节点对消息做出反应时,我们更容易观察到时间戳,而使消息扩散的连接仍然隐藏。这激发了最近对网络推理问题的广泛研究:揭示通过它们传播的信息记录的边缘。现有的解决方案是计算昂贵的,这促使我们开发一个有效的两步通用框架,聚类嵌入式网络推理(CENI)。CENI集成了聚类策略,提高了网络推理的效率。通过直接在消息的时间轴上对节点进行聚类,我们提出了两种简单的CENI实现:以调度为中心的CENI和以级联为中心的CENI。此外,我们还指出了CENI的临界维数问题:在聚类之前,我们需要首先将节点投影到某个维度的欧氏空间,而不是一维时间轴。在投影空间上采用聚类方法的CENI能更好地保留隐藏在级联中的结构,生成更准确的推理链接。这一见解揭示了其他相关的工作,试图发现或利用潜在的集群结构中传播的消息。通过解决关键维度问题,我们提出了CENI框架的第三种实现方式:基于投影的CENI。通过在两个真实数据集上的大量实验,我们表明,这三个CENI模型只需要大约20% $\sim$ 50%的运行时间的国家的最先进的方法。此外,基于投影的CENI的推断边缘保留甚至优于最先进方法的有效性。
2015-03-17 cs.SI
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
Inferring hierarchical structure of spatial and generic complex networks through a modeling framework
我们最近的论文[Grauwin et al. Sci. Rep. 7(2017)]表明,人类互动网络的社区和层次结构在很大程度上决定了最小的,在建模时应该考虑到它们。在本概念验证预印本中,考虑了相反的问题:是否可以推断出层次结构本身与网络模型最佳对齐?通过基于层次和(如果定义)地理距离的模型,为空间网络和一般的复杂网络提供了推理机制。该机制允许在复杂网络中以任何期望的分辨率发现分层和社区结构,特别是空间网络的空间独立结构。以美国州际人口迁移网络为例说明了该方法。
2017-12-15 cs.SI physics.soc-ph
The Message or the Messenger? Inferring Virality and Diffusion Structure from Online Petition Signature Data
Goel et al.(2016)研究了Twitter的传播数据,得出的结论是,在线请愿比其他类型的内容更具病毒性。他们对结构性病毒式传播的定义,即衡量传播遵循广播模型或在人与人之间传播(病毒式)的程度,取决于对扩散级联拓扑结构的了解。但通常不能直接观察到扩散结构。我们检查了来自奥巴马白宫的We the People请愿平台的时间戳签名数据。我们开发了基于时间动态的措施,我们认为,可以用来推断扩散结构以及更内在的概念,有时被称为传染性的病毒性。这些措施表明,成功的请愿书很可能是更高的内在和结构病毒比不成功的请愿书。我们还调查了挑战简单传染模型的请愿书签名的阈值效应,并报告了与我们的数据一致的理论模型的模拟。
2017-08-11 cs.CY cs.SI stat.AP
Network Topology Inference Using Information Cascades with Limited Statistical Knowledge
我们研究了从信息级联推断网络拓扑结构的问题,其中信息在网络中的边缘扩散所需的时间遵循未知的分布。与以前的研究不同,这些研究假设了这些分布的知识,我们只要求沿着网络中不同边缘的扩散与有限的矩信息(例如,的手段)。本文引入了图的分离点集的概念,它是指对于图的任意两个不同的顶点,存在一个到它们的距离不同的顶点的顶点集。我们表明,重建一棵树完美地使用顶点对之间的距离信息的必要条件是由所观察到的分离顶点集的大小。然后,我们提出了一个算法来恢复的树结构使用感染时间,其差异有相应的两个顶点之间的距离的手段。为了提高算法的准确性,我们提出了冗余顶点的概念,它允许我们执行平均以更好地估计两个顶点之间的距离。虽然理论主要是为树网络开发的,我们演示了如何将算法扩展到一般的图形。使用合成网络和真实网络的仿真以及使用真实数据的实验表明,我们提出的算法比当前一些最先进的网络重建方法表现得更好。
2019-03-04 cs.SI
Super-blockers and the effect of network structure on information cascades
对在线社交网络上的信息级联进行建模在从市场营销到内乱预测等领域都很重要,然而底层网络结构强烈影响这种级联的概率和性质。即使是简单的级联动力学,大级联的概率几乎完全取决于网络特性,著名的网络,如Erdos-Renyi和Barabasi-Albert,从同一个模型中产生了截然不同的级联。事实上,“超级传播者”的概念已经出现,用来描述在社交网络中促进全球级联的具有高度影响力的节点。在这里,我们使用一个简单的全球级联模型来表明,在网络中的局部性的存在增加了全球级联的概率,由于连接节点的脆弱性增加。而不是“超级传播者”,我们发现这些高度连接的“超级阻断者”在重尾网络中的存在实际上降低了全球级联的概率,同时促进了信息传播。
2018-03-21 cs.SI physics.data-an physics.soc-ph
Inferring the interplay of network structure and market effects in Bitcoin
经济学研究的一个主要焦点是理解商品和资产价格的时间序列。虽然只使用时间序列本身的属性的统计模型已经在许多方面取得了成功,我们希望获得更好的理解所涉及的现象,如果我们可以模拟相互作用的代理的基础系统。在本文中,我们考虑比特币的历史,这是一种新颖的数字货币系统,其完整的交易列表可供分析。使用这个数据集,我们重建了用户之间的交易网络,并分析了由最活跃的用户引起的子图结构的变化。我们的方法是基于网络的时间变化的重要特征的无监督识别。将广泛使用的主成分分析方法应用于从不同时间的网络快照构建的矩阵,我们能够展示网络中的结构变化如何伴随比特币交易价格的显著变化。
2014-12-12 cs.SI physics.soc-ph
Jointly Predicting Links and Inferring Attributes using a Social-Attribute Network (SAN)
社会影响和同质性的影响表明,网络结构和节点属性信息都应该通知链接预测和节点属性推理的任务。最近,Yin等人提出了一种属性增强的社会网络,即社会属性网络(SAN),它将网络结构和节点属性相结合,以执行链接预测和属性推理。他们专注于将带重启的随机游走算法推广到SAN框架,并展示了改进的性能。在本文中,我们扩展了SAN框架与几个领先的监督和无监督的链接预测算法,并证明了性能的改善,每个算法的链接预测和属性推理。此外,我们提出了新的观察,即属性推断可以帮助通知链接预测,即,通过首先推断丢失的属性,进一步提高了链接预测的准确性。我们全面评估这些算法,并使用一个新的,大规模的Google+数据集,我们公开提供与其他现有的算法进行比较。
2012-06-22 cs.SI physics.soc-ph
Modeling Morphology of Social Network Cascades
级联反应是一个跨学科的重要现象,如社会学、经济学、心理学、政治学、市场营销和流行病学。叶栅的一个重要特性是其形态,包括结构、形状和尺寸。然而,在先前的文献中,级联形态没有被严格地表征和建模。本文提出了一种多级马尔可夫叶栅形态模型($M^4C$),它可以描述和定量描述具有任意结构、形状和尺寸的叶栅的形态。$M^4C$可用于各种应用中,对不同类型的级联进行分类。为了证明这一点,我们将其应用于在线社交网络中一个尚未探索但很重要的问题--级联规模预测。我们使用真实世界的Twitter数据的评估表明,基于$M^4C$的级联大小预测方案优于基于级联图特征(如边增长率、度分布、聚类和直径)的基线方案。基于$M^4C$的级联规模预测方案在不同的实验场景下均能达到90%以上的分类准确率。
2013-02-10 cs.SI physics.soc-ph
Urban spatial-temporal activity structures: a New Approach to Inferring the Intra-urban Functional Regions via Social Media Check-In Data
现有文献大多从城市外部的人类活动时间节奏来推断城市的功能区,但忽略了功能区与人类活动之间的内在依存关系,从而揭示了区域更详细的特征。在这项研究中,我们提出了一种新的模型的基础上的低秩近似(LRA)检测功能区使用的数据,从约1500万入住记录在一年的时间在中国上海,中国。我们发现了一系列的潜在结构,称为城市时空活动结构(USTAS)。在解释这些结构的同时,可以发现时空活动模式之间的一系列显著的潜在联系,而且我们不仅可以用较低的维数再现观测数据,而且可以在同一个坐标系中同时投影时空活动模式。通过利用K-均值聚类算法,可以得到五个显著类型的聚类,这些聚类直接用相应的时间活动组合进行注释。这提供了一幅清晰的画面,显示了区域组如何与一天中不同时间的不同活动相关联。除了商业和交通优势区,我们还发现了两种类型的居住区,开发的居住区和发展中的居住区。从城市形态分析的角度进一步验证了这些城市群的空间分布。结果表明,该模型与同期的政府规划具有较高的一致性,表明该模型适用于通过社会媒体签到数据推断功能区域,并可用于城市规划、公共服务和基于位置的推荐系统等广泛领域。
2015-01-21 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
Modeling the structure and evolution of discussion cascades
我们分析了四个流行的网站:Slashdot,Barrapunto,Meneame和维基百科的讨论级联的结构和演变。尽管这些网站之间的大的异质性,偏好连接(PA)模型与偏见的根可以捕捉到的时间演变的观察到的树木和他们的许多统计特性,即,概率分布的分支因子(度),子树的大小和某些相关性。该模型的参数学习有效地使用一种新的极大似然估计方案PA和提供一个形象的解释有关的通信习惯和由此产生的讨论级联在四个不同的网站。
2011-04-15 cs.SI physics.data-an physics.soc-ph
Degree Correlations Amplify the Growth of Cascades in Networks
网络促进了级联的传播,允许局部扰动通过节点及其邻居之间的相互作用进行渗透。我们研究网络结构如何影响扩散级联的动态。通过在生成函数框架内考虑网络的联合度分布,我们可以量化度相关性如何影响全局级联的发生以及特定度类节点触发大级联的倾向。然而,并非所有的度相关性在传播过程中都同样重要。我们引入了一个新的措施的度的相关性,占相关的扩散级联节点之间的相关性。我们发现,定义全球级联的发病的临界点有一个单调的关系,这个新的非线性措施。此外,我们表明,节点的选择种子最大的级联是强烈的程度相关性的影响。与传统观点相反,当度的不确定性为正时,低度节点更有可能产生最大的级联。我们的工作表明,通过操纵网络的高阶结构来调整传播过程是可能的。
2018-07-15 cs.SI physics.soc-ph
Bipartite Network Model for Inferring Hidden Ties in Crime Data
某些罪行几乎不是由个人犯下的,而是由一群同伙和附属人员精心组织的,他们彼此之间的联系很松散,由一个或一小群个人协调整体行动。要了解犯罪集团的组织结构,一个共同的出发点是查明罪犯及其同伙。在许多犯罪数据集中,罪犯之间没有直接联系。在本文中,我们调查犯罪数据中的联系和社区结构,以了解传统和网络犯罪分子的运作,并预测有组织犯罪网络的存在。我们的贡献是双重的:本文提出了一个二分网络模型,用于推断发起非法交互的行为者和受交互影响的对象之间的隐藏联系,然后使用标准网络算法进行结构和社区分析,在两个案例研究中对该方法进行了验证。顶点级指标和社区分析结果表明,我们的工作在理解有组织犯罪网络的运作和结构方面具有重要意义,这些网络在数据中并不明显。识别这些群体并映射它们之间的关系对于未来制定更有效的破坏战略至关重要。
2015-10-08 cs.SI physics.soc-ph
Efficiently inferring community structure in bipartite networks
二分网络是一种常见的网络数据类型,其中有两种类型的顶点,并且只有不同类型的顶点可以连接。虽然二分网络表现出社区结构,像他们的unipartite同行,现有的方法来二分社区发现有缺点,包括隐式参数选择,通过一个模式的预测信息的损失,并缺乏可解释性。在这里,我们解决了社区发现问题的二部网络制定一个二部随机块模型,其中明确包括顶点类型的信息,并可以平凡地扩展到$k$ -partite网络。这种二分随机块模型产生了一个无投影和统计学原理的社区发现方法,使明确的假设和参数选择,并产生可解释的结果。我们证明了这个模型的能力,有效地和准确地找到社区结构在合成的二分网络与已知的结构和在现实世界中的二分网络与未知的结构,我们在实际情况下,其性能的特点。
2014-07-10 cs.SI physics.data-an physics.soc-ph
A Framework for Quantitative Analysis of Cascades on Networks
在线社交网络中的信息如何流动?信息级联的结构和规模如何随时间演变?如何有效地挖掘级联动力学中包含的信息?我们的做法,这些问题的经验,并提出了一个有效的和可扩展的数学框架,对网络级联的定量分析。我们定义了一个级联生成函数,捕捉级联的微观动力学的细节。我们表明,这个函数也可以用来计算级联的宏观性质,如它们的大小,传播,直径,路径数,和平均路径长度。我们提出了一种算法来有效地计算级联生成函数,并证明,虽然显着压缩信息内的级联,但它仍然允许我们准确地重建其结构。我们使用这个框架来研究Digg社交网络上的信息动态。Digg允许用户发布和投票的故事,并很容易看到的故事,朋友们已经投票。作为一个故事传播Digg通过投票,它产生级联。我们提取了超过3,500个Digg故事的级联,并计算了它们的宏观和微观特性。我们确定了级联动态的几个趋势:通过链接,分支和社区传播。我们讨论这些如何影响通过Digg社交网络的故事的传播。我们的计算框架是通用的,并提供了一个实用的解决方案,即使是非常大的级联的微观结构的定量分析。
2010-11-17 cs.CY cs.SI physics.soc-ph
Inferring Network Structure From Data
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Ohio State University(俄亥俄州立大学)
网络是许多应用领域中底层数据的复杂模型。在大多数情况下,原始数据本身并不是网络的形式,而是从传感器、日志、图像或其他数据中获取的。然而,在将这些数据转换到网络中的各种选择的影响在很大程度上还没有得到研究。在这项工作中,我们提出了一种网络模型选择方法,重点是评估网络的效用不同的任务,以及效率的措施,选择最简约的模型。我们证明了这种网络定义的问题,在几个方面的行为建模的底层系统。
2020-04-04 cs.LG cs.SI stat.ML
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
Scalable Continuous-time Diffusion Framework for Network Inference and Influence Estimation
National University of Singapore(新加坡国立大学);CNRS(法国国家科学研究中心);Université Paris-Saclay(巴黎萨克雷大学);CNRS IPAL(法国国家科学研究中心IPAL)
针对现有连续时间扩散方法可扩展性不足的问题,提出基于连续时间动力系统的FIM框架,结合先进采样技术,实现大规模网络下的推断与影响力估计效率和效果均更优。
2024-05-21 cs.LG cs.SI
Inferring Network Structure with Unobservable Nodes from Time Series Data
针对部分节点和连接不可观测的网络结构推断难题,提出含三个模块的GIN深度学习模型,将问题转化为可观测节点预测误差最小化,实验显示最高90%准确率,适用于时序数据丰富的场景。
2022-02-21 cs.SI cs.SY eess.SY
Inferring Social Structure and Dominance Relationships Between Rhesus macaques using RFID Tracking Data
在本文中,我们解决的问题推断的社会结构和优势关系,在一组恒河猴(一种猴子)只使用位置数据捕获使用RFID标签。对动物群体中社会结构的自动推断使许多重要的能力成为可能,包括:1)社会结构如何受到诸如环境变化或引入另一种动物等干预的影响的可验证的测量,以及2)通常用于评估这些变化的工时的潜在显著减少。群体中的社会结构是其成员获得资源的相对水平的重要指标,并对个人的健康和群体中的学习有着有趣的影响。有两个主要的量化标准进行评估,以推断社会结构;时间花在近同种,和位移。相互作用矩阵用于表示任何两只猴子之间检测为梳理行为的事件的总持续时间。这就形成了一个无向的联系强度(关系的紧密度)图。利用恒河猴的线性层次结构的假设,构造了一个层次结构的有向图。对该图的邻接矩阵有贡献的事件是撤回或位移,其中较低排名的猴子远离较高排名的猴子。位移是可观察到的行为之一,可以作为领带强度和优势的强烈指示。为了量化在这些事件中的相互作用的方向性,我们构建了运动方向和相对位置的点积直方图。这给了我们一个衡量一只猴子在接近或远离其他群体成员时花费多少时间的标准。
2014-06-30 cs.SI
Inferring Network Evolutionary History via Structure-State Coupled Learning
Department of Electronic Engineering, Tsinghua University(电子工程系,清华大学)
本文提出CS$^2$方法,通过结构-状态耦合学习,利用网络稳态动力学推断进化史,提升了边优先级和全局顺序一致性,展示了稳态作为独立信号的优势。
2026-01-05 cs.AI 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
Inferring Multiplex Diffusion Network via Multivariate Marked Hawkes Process
Beihang University(北京航空航天大学);University of Ottawa(渥太华大学);National Computer Network Emergency Response Technical Team/Coordination Center of China(国家计算机网络应急技术处理协调中心)
理解社会网络中的扩散是一个重要的任务。然而,这项任务是具有挑战性的,因为(1)网络结构通常隐藏在与每个节点相关联的事件(如“post”或“repost”)的观察中,以及(2)节点之间的交互包含多个不同的模式,这些模式反过来影响扩散模式。例如,社交互动很少在单一渠道上发展,由于他们的各种共同兴趣,多种关系可以将成对的人联系在一起。大多数以前的工作只考虑这两个挑战之一,这显然是不现实的。本文研究了社交网络中的\emph{inferring multiplex network}问题。本文提出了多重扩散模型(MDM),该模型结合了多变量标记Hawkes过程和主题模型来推断社会网络的多重结构。一个基于MCMC的算法来推断潜在的复用结构,并估计节点相关的参数。我们基于合成和真实世界的数据集来评估我们的模型。结果表明,我们的模型是更有效的,在揭示的多重网络结构。
2018-08-24 cs.LG cs.SI stat.ML
DANI: Fast Diffusion Aware Network Inference with Preserving Topological Structure Property
针对扩散信息下的底层社交网络推断问题,本文提出 DANI,利用 Markov 转移矩阵和节点级联相似性在线性时间内推断网络,并在真实与合成数据上验证其更准确、更快且能保持多项拓扑特性。
2023-10-02 cs.CY cs.IR cs.LG
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
Inferring signed social networks from contact patterns
Maastricht University(马斯特里赫特大学);University of Vermont(佛蒙特大学)
本文提出一种贝叶斯框架,通过MCMC推断区分无互动是机会不足还是主动回避,提升带符号网络推断的准确性,尤其在检测负边方面表现优异。
2026-05-11 cs.SI
Inferring the Graph of Networked Dynamical Systems under Partial Observability and Spatially Colored Noise
Carnegie Mellon University(卡内基梅隆大学)
针对部分可观测、存在空间有色噪声的网络化动力系统,研究提出噪声相关结构的可行性条件及结构辨识算法,可一致推断观测节点间的底层依赖关系,在多场景下性能优异。
2023-12-18 cs.LG cs.SI
On the Mathematical Structure of Cascade Effects and Emergent Phenomena
我们认为,数学结构,使某些级联和紧急现象直观地出现,符合伽罗瓦连接。我们引入生成效应的概念来正式捕捉这种现象。我们确定,这些影响产生,通过一个面纱的概念,从隐藏机制的系统或忘记它的特性。工作的目标是启动一个数学基础,使我们能够进一步研究这种现象。特别是,生成效应可以进一步与精确性的某种损失联系起来。同调代数和相关的代数方法,然后可以用来表征的影响。
2019-11-23 cs.GT cs.LO cs.SI