Network Classification Based Structural Analysis of Real Networks and their Model-Generated Counterparts
Budapest University of Technology and Economics（布达佩斯技术与经济大学）
数据驱动的复杂网络分析已经成为研究的焦点几十年。一个重要的研究领域是研究如何用少量的度量来描述真实网络，以及网络模型如何捕捉在真实网络中观察到的图度量之间的关系。在本文中，我们应用机器学习技术来研究上述问题。我们研究了500个真实网络以及2,000个合成网络，这些网络是由四个常用的网络模型生成的，这些模型具有先前校准的参数，以使生成的图形尽可能与真实网络相似。本文统一了数据驱动复杂网络分析的几个分支，如图度量及其成对关系的研究，网络相似性估计，模型校准和图分类。我们发现，相关配置文件的结构措施显着不同的网络域和域可以有效地确定使用一个小的选择图度量。具有固定参数的网络模型的结构特性具有足够的鲁棒性以执行参数校准。网络模型的拟合优度高度依赖于网络域。通过求解分类问题，我们发现这些模型缺乏同时生成具有高聚类系数和相对大直径的图的能力。另一方面，模型能够准确地捕获度分布相关的度量。
2022-04-26 cs.DM cs.LG cs.SI
Publishing Community-Preserving Attributed Social Graphs with a Differential Privacy Guarantee
我们提出了一种新的方法发布差异私人合成属性图。与以前的方法不同，我们的方法能够保留原始图的社区结构，而不牺牲捕获全局结构属性的能力。我们的建议依赖于C-AGM，一个新的社区保持属性图的生成模型。我们配备C-AGM与有效的方法，属性图采样和参数估计。对于后者，我们引入差分私有计算方法，这使我们能够发布具有强大的正式隐私保证的社区保护合成属性社交图。通过全面的实验，我们表明，我们的新模型优于其最相关的同行在合成差异私人属性的社会图，保留社区结构的原始图，以及度序列和聚类系数。
2019-08-31 cs.CR cs.SI physics.soc-ph
A New Computationally Efficient Measure of Topological Redundancy of Biological and Social Networks
众所周知，生物和社会相互作用网络具有不同程度的冗余，尽管迄今为止缺乏对此确切原因的共识。在本文中，我们介绍了一个标记的有向网络，是正式的，计算效率高，适用于各种有向网络，如细胞信号，代谢和社会互动网络的拓扑冗余措施。我们证明了计算效率，我们的措施，通过计算其价值和统计意义上的一些生物和社交网络多达数千个节点和边缘。我们的研究结果提出了一些有趣的观察：（1）社交网络比它们的生物学对应物更冗余，（2）转录网络比信号网络更少冗余，（3）C. elegans的代谢网络主要是由于其包含的货币代谢物，和（4）信号网络的冗余是高度（负）相关的单调性，其动力学。
2011-11-05 cs.DM cs.SI math.DS
The anatomy of urban social networks and its implications in the searchability problem
最近，大型地理定位通信数据集的出现增加了我们对社交网络如何与其物理空间相关的理解。然而，许多经常报告的属性，如网络社区的空间聚类，尚未在不同的尺度上进行系统的测试。在这项工作中，我们分析了来自三个国家的2500多万手机用户在三个不同的规模：国家，省和城市的社会网络结构。我们一致发现，最后一种城市情景与关于社交网络的常识存在显著差异。首先，网络中巨型组件的出现似乎取决于网络是否跨越整个城市边界，几乎与城市的人口或地理范围无关。其次，城市社区在地理上的聚集程度远低于预期。这两个发现为自组织网络中广泛研究的可搜索性提供了新的线索。通过对分散搜索策略的详尽模拟，我们得出结论，城市网络不是通过地理上的接近来搜索的，而是通过同性恋驱动的社区结构。
2015-06-02 cs.SI physics.soc-ph
Calibrated Nonparametric Scan Statistics for Anomalous Pattern Detection in Graphs
University at Albany - SUNY（纽约州立大学奥尔巴尼分校）；New York University（纽约大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）
我们提出了一种新的方法，校准的非参数扫描统计（CNSS），更准确地检测异常模式在大规模的，真实世界的图形。扫描统计通过最大化似然比统计来识别感兴趣或意外的连通子图;特别是，非参数扫描统计（NPSS）识别具有高于预期比例的单独重要节点的子图。然而，我们发现，最近提出的NPSS方法是错误的校准，未能占最大化的统计子图的多重性。这导致对于细微信号的降低的检测能力，以及即使对于较强的信号，检测到的子图的低精度。因此，我们开发了一种新的统计方法来重新校准NPSS，正确地调整多个假设检验，并考虑到潜在的图形结构。虽然重新校准，随机化测试的基础上，是计算昂贵的，我们提出了一个有效的（近似）算法和新的，封闭形式的下界（在一个给定的大小的子图的重要节点的预期最大比例，根据原假设没有异常模式）。这些进展，以及最近的核心树分解方法的集成，使CNSS能够扩展到大型现实世界的图形，检测到的子图的准确性有了很大的提高。在半合成和真实世界的数据集上进行了大量的实验，以验证我们提出的方法的有效性，与最先进的同行相比。
2022-06-26 cs.AI cs.SI stat.ME
A Multilayer Approach to Multiplexity and Link Prediction in Online Geo-Social Networks
在线社交系统本质上是多元的，因为在不同社交网络上的相同两个用户之间可能存在多个链接。在这项工作中，我们介绍了一个框架，研究用户之间的联系和互动超越个人的社会网络。探索两个流行的在线平台的横截面-Twitter和基于位置的社交网络Foursquare-我们将两者一起表示为复合多层在线社交网络。通过这种模式，我们研究的用户对区分那些在一个或两个网络上的链接之间的相互作用。我们发现，与仅在其中一个社交网络上连接的配对相比，在两个网络上连接的具有多重链接的用户交互更多，并且在两个平台上具有更大的邻域重叠。特别是，用户最频繁的位置相当接近，并且多路复用链路之间的相似性相当大。我们提出了一些结构和相互作用的功能，如多层的Adamic/Adar系数，这是基于扩展的概念，超越了单一的网络的节点邻域。我们的评估，其目的是阐明的多重链接生成过程的影响，表明多层功能，构建跨社交网络的属性，比他们的单网络同行在预测跨网络的链接。我们建议，从多个网络中的多层配置的信息相结合，可以提供新的见解，在线社交网络上的用户交互，并可以显着提高链接预测整体与社会引导和朋友推荐有价值的应用。
2015-08-31 cs.SI physics.soc-ph
Realistic Synthetic Social Networks with Graph Neural Networks
由于隐私和安全问题，社会网络分析在研究人员之间共享数据方面面临着深刻的困难。这个问题的一个潜在解决方案是合成网络，它与真实的网络非常相似，但可以自由分发。生成合成网络需要创建在应用中尽可能真实地起作用的网络拓扑。目前广泛应用的模型都是基于规则的，很难再现结构动态。由最近的发展，图神经网络（GNN）模型的网络生成，我们评估GNN的合成社交网络的潜力。我们的GNN使用是在一个合理的用例中，包括使用最大平均离散度（MMD）的经验评估。我们包括社会网络的具体措施，允许现实的合成网络的行为在典型的社会网络分析应用程序的评估。我们发现，门控循环注意力网络（GRAN）扩展到社交网络，并在比较基准流行的基于规则的生成递归矩阵（R-MAT）的方法，能够更好地复制现实的结构动力学。我们发现GRAN比R-MAT的计算成本更高，但使用成本并不高，因此对于寻求创建合成社交网络数据集的研究人员来说是有效的。
2022-12-15 cs.AI cs.SI
Creating a Systematic ESG (Environmental Social Governance) Scoring System Using Social Network Analysis and Machine Learning for More Sustainable Company Practices
Amity Regional High School（阿米蒂地区高中）；Center for Collective Intelligence, Massachusetts Institute of Technology（麻省理工学院集体智能中心）
本研究针对传统ESG评估主观且不一致的问题，提出一种结合社会情绪的数据驱动评估系统，通过爬取多平台数据并利用NLP与机器学习算法进行预测，Random-Forest模型取得最优结果，为高管提供更客观的ESG改进指导。
2023-09-07 cs.LG cs.SI
Grassroots Social Networking: Where People have Agency over their Personal Information and Social Graph
本文提出草根社交网络架构，通过去中心化社交图谱、个人信息流和草根传播协议，结合blocklace数据结构，实现用户对个人信息和社交图谱的自主控制，并以类Twitter和类WhatsApp协议验证其可行性与安全性。
2024-05-01 cs.CY cs.DC cs.MA
Pricing in Social Networks with Negative Externalities
我们研究的问题，定价一个不可分割的产品，消费者谁是嵌入在一个给定的社会网络。我们的目标是最大限度地提高卖家的收入。我们假设，一旦卖家发布的价格不超过他们对产品的价值，消费者就会购买产品。产品对消费者的价值由两个因素决定：消费者指定的固定内在价值和消费者邻居以线性方式施加的可变外部性。我们研究的情况下，负外部性，它捕捉了许多有趣的情况下，但少得多的理解相比，其正外部性对应。我们假设关于网络、消费者内在价值和负外部性的完整信息。最大收益通常是通过迭代定价来实现的，迭代定价为不耐烦的消费者提供了一个随时间变化的价格序列。我们证明了即使对于具有一致内在值的未加权树网络，找到最优迭代定价也是NP困难的。作为对硬度结果的补充，我们设计了一个2-近似算法来求解具有（可能）非一致内在值的一般加权网络的迭代定价。我们表明，作为一个近似的最优迭代定价，单一的定价可以很好地为许多有趣的情况下，但理论上它可以表现得任意坏。
2015-02-07 cs.DM cs.GT cs.SI
Towards Improving Embedding Based Models of Social Network Alignment via Pseudo Anchors
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Beijing Institute of Technology（北京理工大学）；Hong Kong Baptist University（香港浸会大学）
社会网络对齐旨在对齐社交网络中的个人身份。基于嵌入的模型已被证明是有效的对齐，其中结构接近保持目标通常被采用的模型训练。观察到“过度接近”的用户嵌入是不可避免的，这样的模型导致对齐不准确，我们提出了一种新的学习框架，试图通过引入精心植入的伪锚，强制执行所产生的嵌入更广泛地分开用户之间。我们进一步提出了一种Meta学习算法来指导学习过程中伪锚嵌入的更新。通过使用伪锚点和元学习的拟议干预允许学习框架适用于广泛的网络对齐方法。我们已经将建议的学习框架纳入几个国家的最先进的模型。我们的实验结果证明了其有效性，其中植入伪锚的方法可以通过相当大的幅度超过没有伪锚的方法，特别是当只有很少的标记锚时。
2021-11-22 cs.AI cs.SI
Threshold-Based Heuristics for Trust Inference in a Social Network
社交网络用户之间的信任在项目推荐中起着关键作用，特别是对于冷启动用户。由于这些网络的稀疏性，任何两个用户之间的信任信息可能并不总是可用的。为了推断缺失的信任值，一种众所周知的方法是基于路径的信任估计，其建议用户相信网络中的所有邻居。在此背景下，我们提出了两个基于阈值的算法，以克服基于路径的信任推理的计算限制。该算法利用信任传播现象，通过设定一个阈值来选择一个用户子集进行信任传播。虽然第一个启发式算法只考虑用户的子集来创建推断网络，但第二个启发式算法能够保留来自所有用户选择的推断网络的密度。我们使用两个真实世界的数据集实现了推理并分析了推断的网络。我们观察到，建议的阈值为基础的启发式可以恢复高达70%的路径，少得多的时间相比，其确定性的对应。我们还表明，基于启发式推断的信任是能够保持推荐的准确性。
2018-09-11 cs.SI
A Simple Model to Estimate Sharing Effects in Social Networks
ShareChat
本文提出一个基于MDP的简单模型来描述社交网络中的用户分享行为，并推导出处理效应的无偏估计器，通过合成实验证明其显著优于现有方法。
2024-09-16 cs.IR cs.LG cs.SI
Activating the "Breakfast Club": Modeling Influence Spread in Natural-World Social Networks
虽然主流的传播模型将特定社交网络的结构视为信息交换的关键，但真实的人类互动似乎并不发生在单一的连接图上。使用收集的数据，从一个试点研究的艾滋病毒的认识，无家可归的青年社交网络的传播，我们表明，健康信息并没有扩散在外地根据主导模式概述的过程。由于物理网络扩散的情况下，往往偏离他们更好的研究同行在数字网络上，我们提出了一个替代的激活跳跃模型（AJM），描述物理网络上的信息扩散从多智能体团队的角度来看。我们的模型表现出两个主要的区别于领导级联和阈值模型的影响力传播：1）种子集团队的结构组成影响每个节点的影响行为，2）影响节点可能会传播信息到非邻居。我们表明，AJM显着优于现有的模型，其适合观察到的节点级的影响数据的青年网络。然后，我们证明了理论结果，表明AJM表现出许多良好的性能所共享的主导模式。我们的研究结果表明，AJM提出了一个灵活的，更准确的网络扩散模型，可以更好地通知影响力最大化在该领域。
2017-10-01 cs.MA cs.SI
Memetic Trojans: Social Contagions as Carriers of Adversarial Payloads in Agent Networks
Simula Research Laboratory（西姆拉研究实验室）；Oslo Metropolitan University（奥斯陆城市大学）
本研究提出模因特洛伊木马攻击，利用智能体自发分享社交内容传播恶意载荷，实验显示可放大暴露至3.19倍，需网络级防御。
2026-10-06 cs.AI cs.SI
Burning some myths on privacy properties of social networks against active attacks
本研究通过图论中的$k$-度量反维度概念，证明社交网络在主动攻击下并非普遍缺乏隐私，随机图与真实网络实验均显示$1$-度量反维度图极为罕见，并提出了相关数学性质与图操作以进一步保障隐私。
2025-04-17 cs.SI math.CO
Advancing Minority Stress Detection with Transformers: Insights from the Social Media Datasets
本文通过图增强变换器模型提升少数群体压力检测性能，证明其在数字健康干预中的可靠性。
2025-09-03 cs.CL cs.SI
