Leveraging percolation theory to single out influential spreaders in networks
在许多社会、技术和生物系统的无序交互拓扑结构的后果中,一个特别重要的后果是,一些节点,仅仅因为它们在网络中的位置,可能对由复杂交互模式介导的动力学过程产生不成比例的影响。例如,社交网络中意见领袖的早期采用可能会改变商业产品的命运,或者仅仅几个超级传播者就可以决定社交媒体中的病毒式传播。尽管最近的许多努力,制定一个准确的方法,以最佳地确定复杂的网络拓扑结构中的有影响力的节点仍然是一个未解决的挑战。在这里,我们提出了具体的,但高度相关的情况下,易感-感染-删除(SIR)模型的传染病传播的关键问题的精确解。通过利用键渗流和SIR的静态性质之间的映射,我们证明了最近引入的非回溯中心性是在临界状态下识别局部树状网络中有影响力的扩散器的最佳标准。通过对合成网络和一组非常广泛的真实网络的模拟,我们证明了非回溯中心性是一个高度可靠的度量,可以在不嵌入空间的通用图中识别最有影响力的传播者,以及非临界传播。
2016-05-23 cs.SI physics.soc-ph
Mining Influential Spreaders in Complex Networks by an Effective Combination of the Degree and K-Shell
针对复杂网络中影响节点识别计算复杂且区分度不足的问题,提出融合节点及邻居k-shell指数与度中心性的方法,在准确性、分辨率和复杂度上优于DNC、NPIC。
2024-05-12 cs.SI
Describing the effect of influential spreaders on the different sectors of Indian market: a complex networks perspective
本研究基于复杂网络分析,提出LIEST指标以区分印度市场各行业在危机期间的正负向影响,揭示了网络动力学的非线性特征。
2022-10-17 cs.SI physics.soc-ph q-fin.CP
Influential spreaders for recurrent epidemics on networks
识别哪些节点是网络上传播过程的最佳种子是一个重要的问题,最近引起了人们的极大兴趣。虽然活动主要集中在非经常性类型的动态,在这里,我们考虑易感-感染-易感(SIS)传播模型的问题,其中在一个节点中播种的爆发可以引发无限的活动雪崩。我们应用Larremore等人提出的网络雪崩理论框架[Phys. Rev. E 85,066131(2012)],以获得对高于和低于流行阈值的单个节点的传播影响(雪崩持续时间和雪崩大小)的详细定量预测。当该方法与退火网络近似相补充时,我们获得了接近过渡的感兴趣的观测量的完全解析表达式,突出了度中心的作用。这些结果与幂律度分布的合成网络上进行的数值模拟的比较显示,一般在亚临界状态下有很好的一致性,从而留下一些问题,为进一步研究相对于超临界区域。
2020-07-16 cond-mat.stat-mech cs.SI physics.soc-ph
Identifying Influential Brokers on Social Media from Social Network Structure
本研究通过对比源头传播者与中心节点,利用三个社交媒体数据集分析特征,发现多数源头传播者并非中介者,且中心节点重叠小,进而提出基于节点嵌入的预测模型,有效识别有影响力的中介者。
2022-08-01 cs.CY cs.SI
Efficient collective influence maximization in cascading processes with first-order transitions
在社交网络中,大群体的集体行为可以由一小群影响者通过“同伴压力”诱导的级联过程来塑造。对于大规模的网络,有效地识别多个有影响力的传播者的阈值模型,表现出一阶过渡的线性算法仍然是一个具有挑战性的任务。在这里,我们解决这个问题,探索在一般阈值模型的行为级联的集体影响。我们的分析表明,传播器的重要性是固定的亚临界路径沿级联传播:连接到每个传播器的亚临界路径的数量决定其对全球级联的贡献。次关键路径的概念使我们能够引入一个线性可扩展的算法,为大规模的网络。在合成随机图和真实网络中的实验结果表明,与其他线性可扩展的启发式方法相比,在相同种子数的情况下,该方法可以获得更大的集体影响力.
2017-03-15 cs.SI physics.soc-ph
Influence maximization in noisy networks
我们考虑的问题,确定最有影响力的节点的网络上的传播过程时,系统的结构和动力学的先验知识是不完整的或错误的。具体来说,我们进行了数值分析,其中一组顶级传播者是根据一定程度的噪声人为改变的先验信息确定的。然后,我们通过测量其在真实系统中的传播影响来测量所选集合的最优性。虽然我们发现,识别的顶级传播者是最佳的先验知识是完整的,没有错误,我们还发现,使用噪声信息确定的顶级传播者的质量不一定会随着噪声水平的增加而降低。例如,我们表明,它通常是可能的,以补偿有关动态参数的错误信息,通过添加合成误差的网络结构。此外,我们表明,在某些动力学制度,甚至完全失去先验知识的网络结构可能比依赖于某些,但不完整的信息。
2018-10-05 cs.SI physics.soc-ph
Identifying critical nodes in complex networks by graph representation learning
University of Electronic Science and Technology of China(电子科技大学);Union Big Data Tech. Inc.(联合大数据技术有限公司)
由于其广泛的应用,关键节点识别已成为网络科学微观层面的重要研究课题。影响力最大化是关键节点挖掘中的主要问题之一,通常采用启发式算法来处理。本文提出了一种深度图学习框架IMGNN,并设计了相应的训练样本生成方案。该框架以网络中节点的中心性作为输入,以节点在最优初始传播器中的概率作为输出。通过在大量小型合成网络上进行训练,IMGNN在固定感染规模下最小化初始传播者的大小方面比基于人类的免疫学更有效。在一个合成网络和五个真实网络上的实验结果表明,与传统的非迭代节点排序算法相比,当最终感染规模固定时,IMGNN在不同感染概率下具有最小的初始传播者比例. IMGNN的重新排序版本优于所有最新的关键节点挖掘算法。
2022-01-20 cs.LG cs.SI
Spreading dynamics in complex networks
在复杂网络中寻找有影响力的传播者是一个具有重要意义的问题,可以应用于各个领域,从流行病控制,创新扩散,病毒式营销,社会运动到思想传播。在本文中,我们首先展示了一些最重要的理论模型,描述了传播过程,然后分别讨论了定位个人和多个有影响力的传播者的问题。这两个主题的最新方法。为了识别特权单传播者,本文总结了几种广泛使用的中心性,如度中心性、介数中心性、PageRank、k-shell等。有了这个广泛的数据集,我们发现各种措施可以传达非常不同的节点信息。在LiveJournal社交网络的所有用户中,只有一小部分参与传播。对于LiveJournal中的传播过程,度可以以更高的概率定位参与信息扩散的节点,而k壳在发现影响力大的节点时更有效。我们的研究结果应该提供有用的信息,在现实中设计有效的传播策略。
2013-12-22 cs.SI physics.soc-ph
Influence maximization by rumor spreading on correlated networks through community identification
最大化信息传播的最小节点集的识别是网络科学中最相关的问题之一。本文提出了一种新的方法来寻找初始传播者的集合,以最大化复杂网络中的信息传播。我们评估了这种方法在互联网和验证度度相关性的传播动力学中起着至关重要的作用。仿真结果表明,我们的算法是统计相似的,关于平均规模的爆发,在现实世界中的网络的贪婪的方法。然而,我们的方法是更少的时间消耗比贪婪算法。
2019-11-08 cond-mat.stat-mech cs.SI physics.soc-ph
A modified gravity model based on network efficiency for vital nodes identification in complex networks
University of Electronic Science and Technology of China(电子科技大学);Shaanxi Normal University(陕西师范大学);Japan Advanced Institute of Science and Technology(日本北陆先端科学技术大学院大学)
重要节点识别是网络科学中的一个基本问题。已经提出了各种方法来解决这个问题。特别地,在引力模型的基础上,提出了一系列改进的引力模型,以更好地发现复杂网络中的关键节点。然而,它们仍有改进的余地。本文将引力模型与网络效率相结合,提出了一种新的改进引力模型--网络效率引力中心模型(NEG)。与其他基于不同重力模型的方法相比,该方法更好地考虑了节点对网络结构鲁棒性的影响。为了巩固所提出的方法的优越性,各种现实世界的网络进行了实验。
2022-06-01 cs.AI cs.SI
Vital nodes identification in complex networks
真实的网络具有异构性,节点在结构和功能上扮演着不同的角色。关键节点的识别对于控制流行病的爆发、为电子商务产品做广告、预测流行的科学出版物等都具有重要的意义。关键节点的识别越来越受到计算机科学和物理界的关注,其算法从简单的近邻计数到复杂的机器学习和消息传递方法。在这篇综述中,我们澄清了概念和指标,分类的问题和方法,以及审查的重要进展,并描述了最先进的状态。此外,我们提供了广泛的实证分析,比较知名的方法在不同的真实网络,并强调未来的发展方向。尽管强调基于物理学的方法,但语言的统一和跨领域方法的比较将在不久的将来引发跨学科的解决方案。
2016-07-05 cs.SI physics.soc-ph
Vital Node Identification in Complex Networks Using a Machine Learning-Based Approach
RMIT University(皇家墨尔本理工大学)
重要节点识别是在复杂网络中寻找最重要节点的问题。这个问题在各种情况下都有重要的应用,例如病毒营销或控制病毒或谣言在现实世界网络中的传播。用于重要节点识别的现有方法主要集中于通过数学表达式来捕获节点的重要性,所述数学表达式将节点的结构属性与其活力直接关联。虽然这些启发式方法在实践中取得了良好的性能,但它们的适应性较弱,并且它们的性能仅限于特定的设置和某些动态。受机器学习模型有效捕获不同类型的模式和关系的能力的启发,我们提出了一种基于机器学习的数据驱动的重要节点识别方法。主要思想是用图的一小部分(比如0.5%的节点)训练模型,并对其余节点进行预测。通过模拟从训练节点开始的SIR扩散方法来计算训练数据的地面真实生命力。我们使用集体特征工程,其中网络中的每个节点都通过合并其连接性,度和扩展核心的元素来表示。几个机器学习模型在节点表示上进行训练,但最好的结果是通过具有RBF核的支持向量回归机实现的。实证结果证实,该模型优于国家的最先进的模型上选择的数据集,同时它也表现出更好的适应性的动态参数的变化。
2022-02-13 cs.LG cs.SI
Vital node identification in hypergraphs via gravity model
超图可以描述两两边之外的相互作用,已经成为复杂系统中多元关系建模的合适表示。随着超图研究的兴起,如何利用超图的高阶结构定义中心性度量成为超图中心性问题研究的热点。在本文中,我们提出了一种新的中心性方法(HGC)的基础上的重力模型,以及半本地HGC(LHGC),可以实现准确性和计算复杂度之间的平衡。同时,两个综合评价指标,即,首先提出了一个超图中的复杂传染模型,该模型模拟了传播过程中的群体影响,并基于节点之间的高阶距离提出了网络的S-效率,以评估我们的方法的有效性。结果表明,我们的方法可以过滤掉具有快速传播能力的节点,并且在超图连通性方面是至关重要的。
2022-08-09 cs.SI physics.soc-ph
Identification of influencers in complex networks by local information dimensionality
复杂网络中有影响力传播者的识别是网络特性研究中的一个热点问题。已经提出了许多中心性措施来解决这个问题,但大多数都有局限性。提出了一种基于局部信息维数的复杂网络影响者识别方法。该方法考虑了中心节点周围的局部结构特性,因此,局部性的尺度仅增加到距中心节点的最短距离的最大值的一半。因此,该方法考虑了准局部信息,降低了计算复杂性。用Shannon熵来描述盒子中的信息(节点数),更合理。当节点的局部信息维数较高时,节点的影响力更大。为了证明该方法的有效性,使用五种现有的中心性度量作为比较方法,对六个现实世界复杂网络中的有影响力的节点进行排名。此外,一个易感感染(SI)模型和肯德尔的tau系数被用来显示不同方法之间的相关性。实验结果表明了该方法的优越性。
2019-10-06 cs.SI physics.soc-ph
A Graph-Neural-Network-Entropy model of vital node identification on network attack and propagation
School of Information Engineering, Nanchang Hangkong University(南昌航空大学信息工程学院)
本文提出GNNE方法,结合GCN、GAT和信息熵,通过节点特征学习、注意力聚合与熵量化来识别复杂网络中的关键节点,在攻击与传播场景下优于多种现有方法。
2025-09-22 cs.SI physics.soc-ph
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
Scaling Expected Force: Efficient Identification of Key Nodes in Network-based Epidemic Models
本文针对期望力中心性计算成本高的问题,提出两种并行可扩展算法,并通过GPU实现将计算规模扩展至4400万条边的网络,实现最高300倍加速。
2023-06-01 cs.DS cs.SI
Node seniority ranking
图论的最新进展表明,仅使用图拓扑来识别网络中最老的节点是可能的。在这里,我们报告的应用程序异构现实世界的网络。为此,为了获得新的见解,我们提出了埃斯特拉达沟通性的理论框架。我们将其应用到两个技术网络(一个地下网络,一个局域网中的软件蠕虫的扩散)和第三个网络代表霍乱爆发。尽管在其图的邻接矩阵中引入了错误,但最老节点的识别是可行的,在很小的误差范围内,并且非常简单。应用包括搜索最初的疾病传播者(零号病人问题)、社交网络中的谣言、计算机网络中的恶意软件、停电中的触发事件、最古老的城市站点识别。
2014-02-25 cs.SI physics.soc-ph
Identifying vital nodes based on reverse greedy method
维持网络连通性的关键节点的识别是网络科学中的一个长期挑战。在本文中,我们提出了一个所谓的反向贪婪方法,其中最不重要的节点被优先选择,使最大的组件在相应的诱导子图的大小尽可能小。因此,稍后选择的节点在保持连接性方面更重要。对10个真实网络的实证分析表明,反向贪婪方法的性能明显优于著名的最先进的方法。
2019-07-02 cs.SI physics.data-an physics.soc-ph
Lowest Degree Decomposition of Complex Networks
异质结构意味着极少数节点可能在维持大规模网络的结构和功能特性方面发挥关键作用。识别这些关键节点是网络科学中最重要的任务之一,它使我们能够更好地进行成功的社交广告,使网络对流行病免疫,发现药物靶点候选人和必需蛋白质,并防止电网,金融市场和生态系统的连锁故障。受真实网络的嵌套性质的启发,我们提出了一种分解方法,在每一步中,具有最低度的节点被修剪。我们严格证明了这种所谓的最低度分解(LDD)是著名的k-核分解的一个细分。通过对传染病传播、同步性和非线性互惠动力学的大量数值分析表明,与k-核分解等指标相比,LDD能更准确地找出最具影响力的传播者、最有效的控制者和最脆弱的种群.该方法只利用了网络的局部拓扑信息,具有很高的潜力,可以成为网络分析的有力工具。
2020-02-13 cs.SI math.CO physics.data-an
Optimal Deployment of Resources for Maximizing Impact in Spreading Processes
有效利用有限的资源控制网络上的传播过程在各种情况下都具有重要意义,从确定“有影响力的传播者”以最大限度地传播信息和在监管网络中采取有针对性的干预措施,到制定经济系统中传染病和金融传染病的缓解政策。纯粹基于拓扑参数的这些优化任务的解决方案并不完全令人满意;在现实环境中,问题的特点往往是异构的相互作用,并需要通过一组有限的可控节点在有限的时间窗口内进行干预。因此,可用资源的最佳分配是网络拓扑结构和传播动态之间相互作用的结果。我们将展示如何解决这些问题作为一个通用的分析框架的基础上的一个可扩展的动态消息传递方法的特定实例,并展示了各种现实世界的例子上的方法的有效性。
2016-08-29 cond-mat.stat-mech cs.SI physics.soc-ph
Identification of Community Structures in Networks Employing a Modified Divisive Algorithm
本文提出一种结合模块度得分Q与分裂算法的新算法,用于更高效地识别网络社区结构,仿真结果显示其划分的Q得分略优于传统方法。
2025-04-14 cs.SI
Comparative evaluation of community-aware centrality measures
在复杂网络中,有影响力的节点在促进或抑制传播现象方面起着关键作用。已经提出了许多中心性措施,用于根据节点的重要性对其进行识别和排名。经典的中心性度量依赖于节点的各种局部或全局属性。他们没有考虑网络社区结构。最近,越来越多的研究已经转向社区意识的中心性措施。事实上,它是绝大多数现实世界网络中普遍存在的功能。在文献中,重点是设计社区意识的中心措施。然而,到目前为止,还没有系统的评估其有效性。这项研究填补了这一空白。它允许回答社区意识的中心性措施,应在实际情况中使用。我们调查了七个有影响力的社区意识的中心性措施,在流行病传播过程的情况下,使用易感-感染-传播(SIR)模型在一组15个真实世界的网络。结果表明,一般来说,社区意识的中心性措施之间的相关性很低。此外,在多传播者问题中,当资源可用时,使用模块化活力瞄准遥远的枢纽更有效。然而,在资源有限的情况下,传播通过桥梁更好地扩展,特别是在具有中等或强社区结构的网络中。
2022-05-14 cs.CY cs.SI
Structural-Aware Key Node Identification in Hypergraphs via Representation Learning and Fine-Tuning
针对传统方法难以建模超图高阶交互的问题,提出融合自编码器、HGNN 预训练与主动学习微调的 AHGA 框架,在八个超图上显著提升关键节点识别效果。
2025-07-28 cs.SI
Predicting COVID-19 Infections Using Multi-layer Centrality Measures in Population-scale Networks
本文利用荷兰超百万人的多层网络数据研究中心性度量能否预测 COVID-19 感染风险与时间,发现其在模拟模型中有效但与真实检测数据无关联。
2023-10-31 cs.SI physics.soc-ph stat.AP
Spectral Efficiency Centrality: An Efficient Spectral Approach for Influential Node Identification in Temporal Networks
National Institute of Technology, Srinagar(斯利那加国家技术学院)
针对现有频谱节点移除方法仅适用于静态网络的问题,提出时序频谱中心性框架 SEC 及高效近似方法 ASEC,经多组真实数据集实验验证,二者在三类扩散模型下识别时序网络关键节点的性能优于基线指标。
2026-08-17 cs.SI
Critical Nodes Identification in Complex Networks: A Survey
School of Cyber Science and Technology, University of Science and Technology of China(中国科学技术大学网络科学与技术学院)
本文综述了复杂网络中关键节点识别的七大类技术,系统评估了各方法的优势与局限,并指出了算法通用性、动态网络实时评估及高阶结构分析等关键挑战与未来方向。
2025-09-14 cs.AI cs.SI physics.app-ph
Decoding Multilingual Topic Dynamics and Trend Identification through ARIMA Time Series Analysis on Social Networks: A Novel Data Translation Framework Enhanced by LDA/HDP Models
Research Laboratory in Algebra Numbers theory and Intelligent Systems(代数数论与智能系统研究实验室);CNRS(法国国家科学研究中心);Bordeaux INP(波尔多国立高等工程技术学院);LaBRI(波尔多计算机科学实验室);Laboratory LIG(LIG实验室)
本研究提出一种新型多语言数据翻译框架,结合LDA/HDP模型与ARIMA时间序列分析,解码危机期间社交网络的主题动态与趋势,在突尼斯多语言数据集上表现优于标准方法。
2024-03-18 cs.AI cs.CL cs.LG
Network-based ranking in social systems: three challenges
排名算法在我们日益数字化的社会中无处不在,具有重要的现实应用,包括推荐系统,搜索引擎和影响者营销实践。从网络科学的角度来看,基于网络的排名算法解决了与识别复杂系统的稳定性和动态性的重要节点相关的基本问题。尽管这些算法的普遍和成功的应用,我们认为,我们的理解,他们的性能和他们的应用程序,以现实世界的问题面临着三个基本挑战:(1)排名可能会受到各种因素的偏见;(2)他们的有效性可能仅限于特定的问题;(3)代理人的排名驱动的决策可能会导致潜在的恶性反馈机制和不健康的系统后果。根植于网络科学和基于代理的建模方法可以帮助我们理解和克服这些挑战。
2020-05-29 cs.CY cs.SI physics.soc-ph