Estimating Properties of Social Networks via Random Walk considering Private Nodes
准确分析社交网络的图属性是一项具有挑战性的任务，因为对图数据的访问限制。为了解决这一挑战，已经研究了几种通过随机游走从少量样本中获得无偏估计的算法。然而，现有的算法没有考虑真实社交网络中隐藏邻居的私有节点，导致了一些实际问题。在这里，我们设计了基于随机行走的算法来准确地估计属性，而不会出现私有节点引起的任何问题。首先，我们设计了一个基于随机行走的抽样算法，包括邻居选择，以获得具有马尔可夫性质的样本和计算权重，为每个样本，以纠正抽样偏差。此外，对于两个图属性估计器，我们提出了加权方法，以减少不仅采样偏差，但由于私人节点的估计误差。所提出的算法提高了现有算法的估计精度高达92.6%的真实世界的数据集。
2020-07-12 cs.SI
Scalable Algorithm for Finding Balanced Subgraphs with Tolerance in Signed Networks
针对符号网络最大平衡子图问题，本文提出纳入不规则容错的广义模型及基于区域的可扩展启发式算法，在效果和效率上均优于现有方法。
2024-06-16 cs.DS cs.SI
Social Diffusion Sources Can Escape Detection
通过社交网络影响他人（或受他人影响）是所有人类社会的基础。无论这是通过谣言、观点还是病毒的传播发生的，识别传播源（即，发起人）是一个吸引了很多研究兴趣的问题。然而，现有的文献忽略了这样一种可能性，即源可能会策略性地修改网络结构（通过重新连接链路或引入假节点）以逃避检测。在这里，没有限制我们的分析，以任何特定的扩散情况下，我们关闭这个差距，通过评估两种机制，隐藏的来源，一个源于源的行动，另一个从网络结构本身。这表明源可以很容易地逃脱检测，并且删除链接比引入假节点更有效。因此，我们应该集中精力揭露隐藏的联系，而不是植入的实体;这样的曝光将大大提高我们发现扩散源的机会。
2021-11-11 cs.SI physics.soc-ph
Multifaceted Privacy: How to Express Your Online Persona without Revealing Your Sensitive Attributes
最近在社交网络流分析中的工作表明，用户的在线角色属性（例如，性别、种族、政治利益、地点等）可以从用户所写或参与的主题中准确地推断出来。属性和偏好推断已被广泛用于提供个性化推荐、定向广告以及增强社交网络中的用户体验。然而，泄露用户的敏感属性可能对某些个人构成隐私威胁。微靶向（例如，Cambridge Analytica丑闻）、监视和歧视性广告是敏感属性推断对用户隐私造成威胁的例子。在本文中，我们提出了多方面的隐私，一种新的隐私模型，旨在混淆用户的敏感属性，同时公开维护用户的公共人物。为了实现多方面的隐私，我们构建了Aegis，这是一个以客户为中心的原型社交网络流处理系统，有助于保护多方面的隐私，从而允许社交网络用户自由表达他们的在线角色，而不会泄露他们选择的敏感属性。Aegis允许社交网络用户控制哪些角色属性应该公开显示，哪些应该保持隐私。为此，Aegis不断向社交网络用户推荐主题和标签，以混淆他们的敏感属性，从而混淆基于内容的敏感属性推断。建议的主题经过精心选择，以保留用户公开显示的人物角色属性，同时隐藏其私人敏感人物角色属性。我们的实验表明，添加少至0至4个混淆职位（取决于如何揭示原始职位）成功地隐藏用户指定的敏感属性，而不改变用户的公共人物属性。
2019-05-23 cs.CR cs.SI
Why do people think liberals drink lattes? How social media afforded self-presentation can shape subjective social sorting
研究社交媒体自我呈现如何通过塑造标识符一致性感知促进主观社会分类，分析千万级X用户数据揭示标识符沿政治界线的分类现象，为理解极化及缓解策略提供启示。
2024-04-23 cs.SI
Permanence based Hidden Community and Graph Recovery in Social Networks
针对 NEURAL 基于 permanence 隐藏社区带来的恢复问题，本文提出 R-NEURAL 算法，同时恢复被隐藏社区和经边修改的原始图结构，并在真实图上验证其有效性。
2023-04-25 cs.SI
Contact, conflict, or opportunity? Out-group exposure creates tie opportunity, not tolerance
Complexity Science Hub（复杂科学中心）；Graz University of Technology（格拉茨工业大学）；Masaryk University（马萨里克大学）；National Institute SYRI（SYRI国家研究所）；Universidad Politécnica de Madrid（马德里理工大学）
通过分析228个班级近5000名学生的友谊和拒绝提名数据，使用基于Wallenius超几何分布的多层模型估计个体偏好，发现种族和社会经济地位的偏好不受班级构成影响，而性别偏好随外群体增加而增强，支持冲突理论，表明多样性增加不改变内在偏好但创造更多跨群体互动机会。
2026-05-27 cs.SI physics.soc-ph
Commute with Community: Enhancing Shared Travel through Social Networks
本文针对后疫情时代共享出行信任危机，提出融合社交网络的图神经网络与强化学习拼车匹配框架，并引入“容忍度”指标量化社交距离敏感度，显著提升拼车率并降低延误与绕行。
2024-04-09 cs.SI physics.soc-ph
Heterogeneous Treatment Effects in Social Networks
我们研究了社会网络中因果分析的治疗效果修饰符，其中邻居的特征或网络结构可能会影响单元的结果，目标是使用这些网络属性识别具有不同治疗效果的子群体。为此，我们提出了一个新的框架，通过测试关于网络特征或网络模式（例如，单元的邻居或属于三角形的特征），以及通过识别治疗可能有效或有害的子群体。我们描述了一种假设检验方法，占一个单位的协变量，他们的邻居的协变量，和模式的社会网络，并设计了一个算法，将因果推理，假设检验和图论的想法，以验证一个假设的效果修饰符。此外，我们开发了一种新的算法，用于发现网络模式是潜在的效果修饰符。我们使用一个真实的发展经济学数据集进行了广泛的实验评估，该数据集是关于属于一个称为自助团体的金融支持网络对风险承受能力的治疗效果，并且还使用一个具有已知地面事实的合成数据集模拟疫苗有效性试验，以评估我们的框架和算法。
2021-11-07 cs.SI
A Friendship Privacy Attack on Friends and 2-Distant Neighbors in Social Networks
在无向社交图中，友谊链接涉及两个用户，并且友谊在两个用户的朋友列表中可见。这种友谊的双重可见性可能会引发隐私威胁。这是因为两个用户都可以单独控制友谊链接对其他用户的可见性，并且他们对链接的隐私政策可能不一致。即使他们中的一个对第三用户隐藏了链接，第三用户也可以从另一个用户的朋友列表中找到这样的友谊链接。此外，由于大多数用户允许他们的朋友在大多数社交网络系统中看到他们的朋友列表，因此对手可以利用不一致的策略来发起隐私攻击，以识别和推断目标用户的许多朋友。在本文中，我们提出，分析和评估这样的攻击，这是所谓的友谊识别和推理（PII）攻击。在PII攻击场景中，我们假设对手只能看到他的朋友列表和他的朋友的朋友列表，而这些朋友并没有对他隐藏朋友列表。然后，一个PII攻击包含两个攻击步骤：1）朋友识别和2）朋友推断。在朋友识别步骤中，对手试图根据他的朋友列表和他的朋友列表来识别目标的朋友。在朋友推断步骤中，对手试图推断目标的朋友使用建议的随机游走与重启方法。我们使用三个真实的社交网络数据集的实验结果表明，当对手和目标是朋友或2-远距离邻居时，FIS攻击通常是有效的。我们还全面分析了攻击结果，以找出哪些参数和网络特征值可能会促进PHI攻击。目前，大多数具有无向友谊图的流行社交网络系统，如Facebook，LinkedIn和Foursquare，都容易受到FIS攻击。
2013-12-01 cs.CR cs.SI physics.soc-ph
Dynamics of deceptive interactions in social networks
在本文中，我们研究谎言在人类社会关系中的作用，通过实施欺骗性互动的一些显着特征到一个意见形成模型，以便更真实地描述社会网络的动态行为。在这个模型中，我们考虑了社交网络的基本属性，如互动强度的动态变化、公众舆论的影响，以及在每一次人类互动中，根据网络中每个人的即时情况，欺骗或隐瞒信息可能是方便的。我们发现，谎言塑造了社交网络的拓扑结构，尤其是形成了紧密联系的小社区，而这些社区之间的联系是松散的。我们还发现，具有较大比例欺骗性交互的代理是连接不同意见的社区的代理，从这个意义上说，它们在网络中具有实质性的中心地位。然后，我们讨论了这些结果对人类社会行为的影响，并预测了由于社会对谎言的不同容忍度而可能产生的变化。
2015-09-14 cs.CY cs.SI nlin.AO
Adversarial Robustness of Similarity-Based Link Prediction
Washington University in St. Louis（圣路易斯华盛顿大学）；University of Warsaw（华沙大学）
链接预测是社会网络分析的基本问题之一。链接预测的一组常见技术依赖于相似性度量，该相似性度量使用观察到的子网的拓扑来量化未观察到的链接的可能性。最近，链接预测的相似性度量已被证明是容易受到攻击，从而对网络的意见是不利的修改，以隐藏目标链接。我们提出了一种新的方法来增加基于相似性的链接预测的鲁棒性，通过赋予分析师一组可靠的查询，准确地衡量查询链接的存在。分析师的目标是通过优化分配可靠的查询来鲁棒地预测可能的链接的集合。我们正式分析师的问题作为一个贝叶斯Stackelberg游戏中，他们首先选择可靠的查询，然后由对手谁删除的一个子集的链接之间的其余（不可靠）查询的分析师。在我们的模型中，分析师不确定对手试图隐藏的特定目标链接，而对手则拥有关于分析师和网络的全部信息。专注于相似性度量，仅使用本地信息，我们表明，这个问题是NP-难的球员，并设计两个原则和有效的方法来解决它近似。真实网络和合成网络的大量实验证明了我们方法的有效性。
2019-09-03 cs.AI cs.CR cs.SI
Influence Dynamics and Consensus in an Opinion-Neighborhood based Modified Vicsek-like Social Network
我们提出了一个修正的Vicsek模型来研究社交网络中的影响力动态和意见形成。我们工作的前提是，一个群体成员的意见可以被认为类似于空间中粒子的运动方向。这些观点很容易在保持类似信念的熟悉的个人的影响下发生变化。这与仅依赖于基于观点接近度的交互的有界置信模型不同。当志同道合的人相互认识或因信仰而争吵时，影响网络就会发展。这就产生了一个自适应网络，并为其分配了动态中心性分数和不同的影响力强度。一个混合的个人-刚性和柔性-被认为构成群体-自由和保守。我们分析了不同的初始条件，代理类型，它们的密度和公差的紧急群体行为。该模型准确地预测了刚性代理人在阻碍共识方面的作用。此外，一些结构特性的动态网络，这是由于所提出的模型已经建立。
2018-08-31 cs.SI physics.soc-ph
Quantifying opinion homophily in online social networks: A bounded confidence perspective
School of Mathematics and Statistics, Wuhan University（武汉大学数学与统计学院）；Division of Automatic Control, Department of Electrical Engineering, Linköping University（林雪平大学电气工程学院自动控制系）；Department of Electrical Engineering and Information Technology, Università degli Studi di Napoli Federico II（那不勒斯费德里科二世大学电气与信息工程系）；Department of Engineering, University of Sannio（桑尼奥大学工程系）；Institute of Information Science and Technologies “A. Faedo” (ISTI), National Research Council (CNR)（意大利国家研究委员会“阿·法多”信息技术研究所）；College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院）
本文从有界信心视角研究在线社交网络中基于意见的同质性，利用Reddit和Twitter的异质数据集分析用户互动网络，发现用户意见空间集中度显著高于随机预期，且关系强度和议题极化进一步加剧这一效应。
2026-04-25 cs.SI physics.soc-ph
Spikyball sampling: Exploring large networks via an inhomogeneous filtered diffusion
研究现实世界的网络，如社交网络或Web网络是一个挑战。这些网络通常将复杂的、高度连接的结构与大规模结合在一起。我们提出了一种新的方法，大规模的网络，能够自动采样用户定义的相关部分的网络。从网络中的一些选定的地方和一组减少的扩展规则开始，该方法采用过滤的广度优先搜索方法，通过匹配这些属性的边和节点进行扩展。此外，在每个步骤中，在邻居的随机子集上执行扩展，以进一步减轻可能存在于大型图中的连接的压倒性数量。这给人的印象是一个“尖尖的”扩张。我们表明，这种方法概括了以前的探索抽样方法，如雪球或森林火灾，并扩展它们。我们证明了它的能力，以捕捉组的节点具有较高的互动，而丢弃弱连接的节点，往往是众多的社交网络，并可能隐藏重要的结构。
2020-10-22 cs.IR cs.SI
Online Privacy as a Collective Phenomenon
在线隐私问题通常被简化为在线社交网络（OSN）中隐藏或透露个人信息的个人决定。然而，随着OSN的使用越来越多，了解社交网络在披露用户没有自愿透露的个人信息方面的作用变得更加重要：我们的朋友透露了多少关于我们的私人信息，我们的隐私有多少仅仅因为在线社交互动而丢失？在没有强大的技术努力的情况下，OSN可能能够利用人类隐私特征的可识别性，这种方式使用用户选择不共享的信息构建阴影配置文件。此外，由于许多用户共享他们的电话和电子邮件联系人列表，这允许OSN为甚至没有该OSN帐户的人创建完整的影子配置文件。我们使用来自单个OSN的300多万个账户的数据，实证测试了为用户和非用户构建性取向影子档案的可行性。我们量化了来自用户社交网络的预测能力的下限，以证明性取向的可预测性如何随着网络的大小和分享个人信息的趋势而增加。这使我们能够定义一个隐私泄露因素，将个人隐私损失与其他个人披露信息的决定联系起来。我们的统计分析表明，一些人的隐私丢失的风险更高，因为预测准确性增加的用户与他们的社交网络更大，更均匀的一阶和二阶邻域。虽然我们没有提供证据表明影子配置文件存在，我们的研究结果表明，披露私人信息不仅限于个人选择，而是成为一个集体的决定，对政策和隐私监管的影响。
2014-09-22 cs.CY cs.SI
Hiding in Temporal Networks
社交网络分析工具可以通过仔细检查一个人的联系来推断各种属性。一些研究人员已经研究了逃避者所面临的问题，他们的目标是战略性地重新连接他们的社会关系，以误导这些工具，从而隐藏他们的私人属性。然而，到目前为止，这些文献只考虑了静态网络，而忽略了更一般的情况下，时间网络，其中的结构随着时间的推移而演变。在这种观察的驱动下，我们研究了逃避者如何从一个拥有时间中心性措施的对手那里隐藏自己的重要性。我们考虑这个问题的计算和结构方面：它是计算上可行的计算最佳的隐藏方式？如果是的话，什么样的网络特征有利于隐藏？这个主题已经在静态网络中进行了研究，但在这项工作中，我们通过考虑边随时间变化的时间网络来增加问题的现实性。我们发现，它通常是计算上不可行的，以找到最佳的隐藏方式。另一方面，通过操纵一个人的联系人，一个人可以增加一个惊人的隐私量。与静态网络相比，时间网络为这种类型的操作提供了更多的策略，因此在某种程度上更容易隐藏。
2021-07-28 cs.SI physics.soc-ph
Dynamics of bounded confidence opinion in heterogeneous social networks: concord against partial antagonism
观点动力学的有界置信度模型近年来得到了广泛的研究，特别是在社会动力学的观点形成和极端主义传播等方面。在这项工作中，Deffuant-Weisbuch（DW）有限的信心，相对协议模型的局限性分析后，我们提出了混合模型，考虑到两种心理类型的个人。Concord agents（C-agents）是友好的人;他们以一种他们的意见总是变得更接近的方式进行交互。其他心理类型的代理人在相互作用中表现出部分拮抗作用（PA代理人）。在不同的社交网络上，研究了由两类主体组成的异质社会群体中的观点动力学。极限情况下的混合模型，纯C-和PA-社会，也进行了研究。我们发现，群体意见的形成，定性，几乎独立的拓扑结构的网络中使用的这项工作。意见碎片化，极化和共识观察在混合模型中，在不同比例的PA-和C-代理，取决于初始意见容忍的代理。至于意见的形成和产生的“异议”，观点动力学的C-agents社会被发现是类似的DW模型，除了意见的收敛率。然而，混合社会的动态和分叉模式显着不同的DW模型。偏见的初始条件的影响，在异质社会群体的意见形成的意见不确定性的初始值，不同的PA-C-代理的比例进行了研究。分歧图显示了令人印象深刻的集体意见的演变，特别是，激进的变化，从左到右的共识，反之亦然，在一个意见的不确定性值等于0.7的模型与PA/C混合人口接近50/50。
2011-03-02 cs.SI nlin.AO nlin.PS
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
Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects
UC San Diego（加州大学圣地亚哥分校）；Johns Hopkins University（约翰斯·霍普金斯大学）；Duke University（杜克大学）
本文提出基于图机器学习和双重机器学习的方法，用于估计社交网络中的因果效应，通过模拟验证其准确性、稳健性和可扩展性。
2026-02-19 cs.LG cs.SI stat.ME
Adversarial Attack on Community Detection by Hiding Individuals
The Chinese University of Hong Kong（香港中文大学）；Georgia Institute of Technology（佐治亚理工学院）；Tencent AI Lab（腾讯人工智能实验室）
已经证明，对抗图，即，添加了不可感知的扰动的图可能导致深度图模型在节点/图分类任务上失败。在本文中，我们扩展对抗图的问题，社区发现，这是困难得多。我们专注于黑盒攻击，旨在隐藏目标个体，使其无法被深度图社区发现模型检测到，这在现实世界中有很多应用，例如，保护社交网络中的个人隐私和理解交易网络中的伪装模式。我们提出了一个迭代学习框架，轮流更新两个模块：一个作为约束图生成器，另一个作为代理社区发现模型。我们还发现，我们的方法生成的对抗图可以转移到其他基于学习的社区发现模型。
2020-01-22 cs.CR cs.LG cs.SI
Universal vulnerability in strong modular networks with various degree distributions between inequality and equality
Japan Advanced Institute of Science and Technology（日本科学技术高等学院）
本文研究不同度分布网络在节点故障下的连通性，发现强模块化结构会使不平等与平等之间的各类网络普遍变得极其脆弱，并提出平衡社区内外连接资源的建议。
2025-08-27 cs.DM cs.SI physics.soc-ph
