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
Inferring Network Structure from Cascades
许多物理、生物和社会现象都可以用网络上发生的级联来描述。通常,活动可以凭经验观察到,但不能观察到潜在的相互作用网络。在本文中,我们提供了三个拓扑方法来推断任何有向网络的结构给定的级联到达时间的集合。我们的公式适用于一类非常普遍的模型,其中节点的激活概率是其度和活跃邻居数量的通用函数。我们报告合成和真实网络的高成功率,几个不同的级联模型。
2017-07-21 cond-mat.dis-nn cs.SI physics.soc-ph
Oriented and Degree-generated Block Models: Generating and Inferring Communities with Inhomogeneous Degree Distributions
随机块模型是从网络拓扑推断社团结构的有力工具。然而,它预测了每个社区内的泊松度分布,而大多数现实世界的网络都有一个重尾度分布。度校正块模型可以适应社区内的任意度分布。但是,由于它将顶点度作为参数而不是生成它们,因此它不能使用它们来帮助它对顶点进行分类,并且它对有向图的自然推广甚至不能使用边的方向。在本文中,我们提出了块模型的变体,它们可以在分类过程中使用顶点度和边方向,同时容忍社区内的重尾度分布。我们发现,对于一些网络,包括合成网络和英语文本中的单词邻接网络,这些新的块模型实现了比标准或度校正块模型更高的准确性。
2012-05-31 cond-mat.stat-mech cs.SI physics.soc-ph
Inferring Social Rank in an Old Assyrian Trade Network
我们目前的工作是共同推断独特的个人以及他们的社会地位,这些信件来自土耳其Kültepe的一个古老的亚述贸易殖民地,在公元前1950年至公元前1750年之间,亚述古城的商人在这里定居了大约200年,这是青铜时代中期的高峰。使用一个概率潜变量模型,我们利用楔形文字板上的名字之间的成对社会差异来推断一个最能解释我们观察到的数据的单一潜在社会秩序。通过领域专家发表的判断来评估我们的输出表明,我们的方法可用于构建由数据驱动的知情假设,并且可以为亚述学家的定向研究提供有希望的途径。
2013-03-12 cs.CY cs.SI
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
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
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
Inferring User Preferences by Probabilistic Logical Reasoning over Social Networks
Stanford University(斯坦福大学);The Ohio State University(俄亥俄州立大学)
我们提出了一个框架来推断潜在的态度或偏好的用户进行概率一阶逻辑推理的社会网络图。我们的方法回答了关于Twitter用户的问题,比如{ \em这个用户喜欢寿司吗?}或{ \em此用户是纽约尼克斯队的球迷吗?}通过建立一个概率模型,对用户属性(用户的位置或性别)和社交网络(用户的朋友和配偶)进行推理,通过同质性(如果配偶或朋友喜欢寿司,我更有可能喜欢寿司,如果我住在纽约,我更有可能喜欢尼克斯队)等推论。该算法使用远程监督、半监督数据采集和向量空间模型从文本中提取用户属性(例如配偶、教育、位置)和偏好(喜欢和不喜欢)。然后将提取的命题送入概率推理机(我们研究马尔可夫逻辑和概率软逻辑)。我们的实验表明,概率逻辑推理显着提高属性和关系抽取的性能,并在预测用户喜欢或不喜欢,也达到了0.791的F分数,显着优于两个强基线。
2014-11-11 cs.AI cs.CL cs.LG
Inferring the time-varying functional connectivity of large-scale computer networks from emitted events
University of Sussex(萨塞克斯大学);Moogsoft Ltd(穆格软件有限公司);Moogsoft Inc(穆格软件股份有限公司)
我们考虑的问题推断的功能连接的一个大规模的计算机网络从稀疏的时间序列的事件发出的节点。我们在以下三个特定领域的约束下这样做:(a)由于网络中未知的时间变化而导致的功能连接的非平稳性,(b)事件的时间序列的稀疏性限制了经典的基于相关性的分析的有效性,以及(c)缺乏描述事件如何通过网络传播的明确模型。假设两个节点的概率是功能连接的相关性与各自的事件之间的平均延迟,我们开发了一种推理方法,其输出是一个无向加权网络,其中两个节点之间的边的权重表示这些节点的概率是功能连接。使用窗口化和卷积的组合来计算在每个时间窗口的分数量化的可能性的一对节点发射事件在快速连续,我们开发了一个模型的时变连接的参数是通过最大化模型的预测能力从一个时间窗口到下一个。为了评估我们的推理方法的有效性,我们构建了合成数据,并使用这些数据对我们的方法进行基准测试,以对抗三种最先进的推理方法。最后,我们讨论其应用程序的数据从现实世界的大规模计算机网络。
2018-02-12 cs.LG cs.SI math.OC
Inferring High Quality Co-Travel Networks
社交网络为企业更好地了解客户提供了一个新的视角,并引起了业界的广泛关注。然而,在许多传统的OLTP环境中,没有明确的客户关系,推断高质量的客户社交网络是一个巨大的挑战。在本文中,我们研究这个问题在客运领域,并介绍了一个新的成员的社交网络,这是命名为共同旅行网络,由他们的共同旅行行为连接的乘客。本文提出了一种新的方法来推断高质量的合作旅行网络的民航乘客从他们的合作预订行为从PNR(乘客记录)。在我们的方法中,为了准确地评估关系的强度,我们提出了一个共同旅行时间的措施来计算乘客之间的完整旅程的共同旅行时间。基于一个大规模的加密PNR数据集,我们推断出一个高质量的同游网络,并对其进行了一系列的网络分析,实验结果表明了我们的推断方法的有效性,以及同游网络与其他类型的社交网络相比所具有的稀疏性和高聚集性等特点.可以预期,这种共同旅游网络将大大有助于业界更好地了解他们的乘客,以改善他们的服务。更重要的是,我们贡献了一种特殊的社交网络,这种网络由非常紧密和高成本的旅行行为产生,具有高强度的联系,用于进一步科学研究人类旅行行为,团体旅行模式,高端旅行市场演变等,从社交网络的角度来看。
2013-05-20 cs.SI physics.soc-ph
Seeing the Unseen Network: Inferring Hidden Social Ties from Respondent-Driven Sampling
Yale Institute for Network Science(耶鲁网络科学研究所);Yale University(耶鲁大学)
了解隐藏的和难以接触的人群的社会结构-如吸毒者和性工作者-是流行病学和公共卫生研究的一个主要目标,对危险行为和疾病预防。应答者驱动抽样(RDS)是许多卫生组织广泛使用的同行推荐过程,其中研究对象从其社交网络中招募其他受试者。在这类调查中,研究人员观察谁招募了谁,以及招募时间和受访者的熟人总数(网络度)。不过,出于隐私考虑,熟人的身份并未公开。在这项工作中,我们将展示如何重建潜在的网络结构,通过该网络结构招募受试者。我们制定的动态RDS作为一个连续时间的扩散过程的基础图形,并推导出招聘时间序列的可能性下的任意招聘时间分布。我们开发了一种高效的随机优化算法,称为RENDER(代表驱动的网络重建),它可以找到最能解释收集到的数据的网络。我们支持我们的分析结果,通过一套详尽的实验合成和真实的数据。
2015-12-02 cs.AI cs.LG cs.SI
Inferring Networks of Diffusion and Influence
信息扩散和病毒传播是发生在网络中的基本过程。虽然通常可以直接观察节点何时感染病毒或采用信息,但观察单独的传输(即,谁感染谁,或者谁影响谁)通常是非常困难的。此外,在许多应用中,扩散和传播的底层网络实际上是不可观察的。我们通过开发一种方法来应对这些挑战,该方法用于跟踪通过网络的扩散和影响路径,并推断传染传播的网络。给定节点接受信息或被感染的时间,我们确定最佳网络,最好地解释观察到的感染时间。由于优化问题是NP-难精确解决,我们开发了一种有效的近似算法,可扩展到大数据集,并找到可证明的接近最优的网络。我们证明了我们的方法的有效性,通过跟踪信息扩散在一组1.7亿博客和新闻文章在一年内推断信息如何通过网络媒体空间流动。我们发现,前1,000名媒体网站和博客的新闻传播网络往往具有核心-外围结构,其中一小部分核心媒体网站将信息传播到网络的其他部分。这些网站往往有稳定的影响圈,更一般的新闻媒体网站充当它们之间的连接器。
2011-10-23 cs.DS cs.SI physics.soc-ph
Inferring Personal Economic Status from Social Network Location
人们普遍认为,社会关系的模式影响个人的经济地位。在这里,我们将这个概念转化为网络层面的操作定义,这使我们能够通过衡量个人在社交网络中的位置和影响力来推断个人的经济福祉。我们分析了两个大规模的来源:电信和金融数据的整个国家的人口。我们的研究结果表明,一个人的位置,衡量的最佳集体影响的社会网络的结构完整性,是高度相关的个人经济地位。观察到的社会网络影响模式模仿了经济不平等的模式。为了务实的使用和验证,我们开展了一项营销活动,通过针对我们的社交网络指标识别的个人,与随机定位相比,响应率提高了三倍。我们的战略也有助于最大限度地发挥大规模经济刺激政策的效果。
2017-04-05 cs.SI physics.soc-ph
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 global network properties from egocentric data with applications to epidemics
社交网络很少被详细观察。在许多情况下,属性是已知的,只有一个样本的个人在网络中,它是可取的,以诱导全局属性的完整的社会网络从这个“自我中心”的网络数据。在本文中,我们研究了几种不同类型的自我中心数据,并展示了哪些全球网络属性与这些自我中心数据一致。两个全球性的网络属性被认为是:在网络中的最大连接组件(巨人)的大小,其次,可能的规模发生在网络上的流行病爆发,其中传输只发生在网络邻居之间,并与概率$p$。主要结论是,在大多数情况下,以自我为中心的数据允许巨人和爆发的可能大小的大范围。然而,后者有一个上限。对于网络是均匀选择的情况下,网络与规定的自我中心的数据(满足某些条件),渐近规模的巨人和爆发的特点。
2012-01-13 cs.SI math.PR 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
Inferring Attitude in Online Social Networks Based On Quadratic Correlation
在大多数情况下,在线社交网络的结构不能仅仅通过其成员之间的链接来描述。我们研究在线社交网络,其中的成员可能对彼此有某种态度,积极或消极的,因此网络由积极和消极关系的混合物组成。我们的目标是根据网络当前快照中提供的证据来预测给定关系的符号。更准确地说,使用机器学习技术,我们开发了一个模型,在特定的网络上训练后,该模型可以预测未知或隐藏链接的迹象。该模型使用来自对等体的关系和影响作为猜测的证据,然而,所使用的对等体的集合不是预定义的,而是在训练过程中学习的。我们使用二次相关的对等成员之间的训练预测。该模型在流行的在线数据集上进行了测试,如Epalent,Slashdot和Wikipedia。在许多情况下,它显示出几乎完美的预测精度。此外,我们的模型还可以随着底层社交网络的发展而有效地更新。
2012-12-07 cs.SI physics.soc-ph
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
Inferring propagation paths for sparsely observed perturbations on complex networks
在复杂系统中,扰动通过系统单元之间的相互作用网络上的路径传播。与流行病的传播相反,对一般扰动的观测在时间上(只有一个扰动系统的观测)和“空间”上(只有几个扰动和未扰动的单元被观测到)往往非常稀疏。从生物学到社会科学,许多领域的一个主要挑战是从这些稀疏条件下的扰动效应的观察中推断传播路径。我们解决这个问题,并表明,它是可以超越通常的方法,使用最短路径连接已知的扰动节点。具体来说,我们表明,一个简单的和一般的概率模型,我们解决了使用置信传播,提供了快速和准确的估计被扰动的节点的概率。
2017-12-04 cs.SI 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
Inferring Dynamic Networks from Marginals with Iterative Proportional Fitting
Stanford University(斯坦福大学);University of Chicago(芝加哥大学)
本文建立了一个生成性网络模型,证明迭代比例拟合(IPF)能恢复其最大似然估计,并提出了保证IPF在稀疏数据上收敛的算法,通过实验验证了其有效性。
2024-08-19 cs.LG cs.SI math.OC
Inferring Metapopulation Propagation Network for Intra-city Epidemic Control and Prevention
进入21世纪以来,2003年SARS、2009年H1N1、2013年H7N9等传染病在全球范围内的爆发,已成为公共卫生的重大威胁,也是政府的狩猎噩梦。因此,了解大规模集合种群中的传播并预测未来的爆发对于流行病的控制和预防至关重要。在文献中,已经有大量的城市内流行病传播的建模研究,但与单一的人口假设(同质性)。然而,最近的一些研究工作集中在寻找特定的人类移动物理网络来近似疾病传播网络,其通用性无法保证,以适应不同的疾病。在本文中,我们认为,城市内的流行病传播应建模为一个集合种群的基础上,并提出了一个两步的方法。第一步是通过推断潜在的疾病感染网络来了解传播系统。为此,我们提出了一种新的网络推理模型称为D $^2$ PRI,它减少了单个网络到一个子种群网络没有信息丢失,并结合了幂律分布先验和数据先验更好的性能。第二步是通过扩展经典的SIR模型到一个集合种群SIR模型来预测疾病的传播,该模型允许游客在任意两个子种群之间传播。我们的模型的有效性得到了验证的一个真实的临床报告数据集的空气传播疾病在深圳市,中国。D $^2$ PRI模型与扩展的SIR模型在网络推理、传染病预测和爆发模拟等方面表现出优越的性能。
2018-06-23 cs.SI physics.soc-ph
Inferring the size of the causal universe: features and fusion of causal attribution networks
University of Vermont(佛蒙特大学)
因果推理,将结果归因于原因,是人类拥有的最强大和最独特的技能之一。多项调查正在将因果归因绘制成网络,但目前还不清楚这些努力能如何结合起来。此外,人类拥有的集体因果归因网络的总规模目前尚不清楚,因此难以评估这些调查的进展。在这里,我们研究了三个因果归因网络,以确定如何将它们组合成一个单一的网络。结合这些网络需要处理模糊的节点,因为节点代表对原因和结果的书面描述,并且对于同一概念可能存在不同的描述。我们介绍NetFUSES,一种将网络与模糊节点结合的方法。至关重要的是,将不同的因果归因网络视为独立样本,使我们能够利用它们的重叠来估计集体因果归因网络的总规模。我们发现,现有的调查捕获5.77%$\pm$ 0.781%的$\approx$ 293 000的原因和影响估计存在,和0.198%$\pm$ 0.174%的$\approx$ 10 200 000归因的因果关系。
2018-12-14 cs.CL cs.CY cs.SI
Estimating Causal Peer Influence in Homophilous Social Networks by Inferring Latent Locations
本文针对潜在同质性导致社会影响难以从观测网络数据中识别的问题,证明在随机块模型或连续潜在空间模型下,利用全局网络结构估计潜在属性后,可在线性模型中一致估计同伴影响效应。
2021-06-17 cs.SI physics.soc-ph stat.ME
Inferring Hidden Structural Changes from Node-State Responses under Partial Network Observations
Tsinghua University(清华大学)
该研究针对部分网络观测下连接记录不完整的问题,提出HSCR模型,结合网络结构与节点状态变化推断未记录的新增连接,经实验验证其可将真实新增连接的平均真实排名降低36%-50%,为网络记录维护提供了有效方法。
2026-10-14 cs.SI
Inferring the strength of social ties: a community-driven approach
在线社交网络正在增长并变得越来越密集。一个人的社会关系可能具有很高的可变性:从亲密的朋友和亲戚到熟人,再到几乎不认识的人。推断社会关系的强度是对网络中的用户交互进行建模并理解其行为的重要组成部分。此外,该问题在计算社会科学,病毒式营销和人员推荐中也有应用。在本文中,我们研究的问题,推断在一个给定的网络中的社会关系的强度。我们的工作是由最近的一种方法[27]推动的,该方法利用了强三元闭合(STC)原理,这是一种植根于社会心理学的假设[13]。为了指导我们的推理过程,除了网络结构之外,我们还将紧密社区的集合作为输入。这些是我们期望通过强关系连接的顶点集合。这些社区出现在不同的情况下,例如,当成为社区的一部分意味着与现有成员之一的紧密联系时。我们考虑两个相关的问题形式化,反映了我们的设置的假设:少量的STC违规和强连接的输入社区。我们表明,这两个问题的配方是NP-困难的。我们还表明,一个问题的制定是很难近似,而第二,我们开发了一个算法与近似保证。我们通过与分别优化STC违规和社区连通性的基线进行比较,在真实世界的数据集上验证了所提出的方法。
2019-02-05 cs.DS cs.SI
Inferring network properties from time series using transfer entropy and mutual information: validation of multivariate versus bivariate approaches
从时间序列中推断出的功能性和有效性网络是网络神经科学的核心。解释它们的性质需要推断的网络模型来反映关键的潜在结构特征;然而,即使是一些虚假的链接也会扭曲网络测量,挑战功能连接体。我们研究了在何种程度上可以推断的基础网络的微观和宏观性质的算法的基础上互信息和二元/多元传递熵。验证是在两个猕猴连接体和具有各种拓扑结构的合成网络(规则格,小世界,随机,无标度,模块化)上进行的。模拟是基于神经质量模型和自回归动力学(采用高斯估计直接比较功能连接和格兰杰因果关系)。我们发现,多变量传递熵捕获的关键属性的所有网络较长的时间序列。双变量方法可以在较短的时间序列中实现较高的召回率(灵敏度),但随着可用数据的增加,无法控制假阳性(较低的特异性)。这会导致高估集群、小世界和富俱乐部系数,低估最短路径长度和枢纽中心性,以及增加度分布尾部。因此,在解释通过相关性或成对统计依赖性测量获得的功能性连接体的网络特性时,而不是更全面(但需要大量数据)的多变量模型时,应谨慎使用。
2020-11-25 cs.IT cs.SI math.IT
Inferring Networks of Substitutable and Complementary Products
在现代推荐系统中,了解产品之间的关系是很重要的。例如,当用户正在寻找手机时,推荐其他手机可能是有意义的,但一旦他们购买了手机,我们可能会转而推荐电池,外壳或充电器。这两种类型的建议被称为替代品和补充品:替代品是可以购买的产品,而补充品是可以购买的产品。在这里,我们开发了一种方法来推断网络的替代和互补产品。我们制定这作为一个监督的链接预测任务,在那里我们学习的替代品和补充的语义与产品相关的数据。我们使用的主要数据来源是产品评论的文本,尽管我们的方法也使用了评级,规格,价格和品牌等特征。在方法上,我们构建主题模型,这些模型经过训练,可以从成功预测和解释这种关系的文本中自动发现主题。在实验中,我们在亚马逊产品目录上评估了我们的系统,这是一个由900万个产品,2.37亿个链接和1.44亿条评论组成的大型数据集。
2015-06-29 cs.IR cs.SI
Inferring users' preferences through leveraging their social relationships
推荐系统从用户的历史活动和个人档案中推断用户的偏好,在过去几年中取得了巨大的成功。现有的大多数作品都是基于用户、对象或两者的相似性,这些相似性来自他们在网上购物平台上的购买记录。然而,当已知信息有限时,这种方法面临瓶颈。极端的情况是如何向新用户推荐产品,即所谓的冷启动问题。在线社交网络的兴起给了我们一个打破玻璃天花板的机会。物以类聚,人以群分。亲密的朋友可能有相似的选择产品的隐藏模式,朋友的建议更值得信赖。在本文中,我们将个人的社会关系到推荐系统,并提出了一种新的方法,称为社会质量扩散(SMD),基于质量扩散过程中的组合网络的用户的社会网络和用户项目二分网络。实验结果表明,在二分网络上,SMD算法比单纯的质量扩散(MD)算法具有更高的推荐准确率。特别是,对于小度用户来说,这种改进是惊人的。此外,SMD为冷启动问题提供了很好的解决方案。新用户推荐的准确率明显高于传统的基于流行度的算法。这些结果可能为更好的个性化推荐系统和信息服务的新设计提供一些启示。
2017-11-28 cs.IR cs.SI physics.soc-ph
Inferring the origin of an epidemic with a dynamic message-passing algorithm
我们研究的问题,估计传染病爆发的起源-给定一个接触网络和一个快照的流行病传播在一定的时间,确定感染源。在计算机或社交网络的不同环境中,找到源是重要的。我们假设流行病的传播遵循最常用的易感-感染-康复模型。我们介绍了一个推理算法的基础上动态消息传递方程,我们表明,它导致显着改善的性能相比,现有的方法。重要的是,该算法仍然有效的情况下,其中一个知道的状态只有一小部分的节点。
2014-07-02 cond-mat.stat-mech cs.SI physics.soc-ph
Inferring urban social networks from publicly available data
社交网络的出现和合成但现实的社会图的合适的生成模型的定义是文献中广泛研究的问题。由于不与任何真实数据相关联,随机图模型无法捕捉真实网络的所有微妙之处,并且不适用于许多实际情况-包括计算流行病学等研究领域,这些领域最近被列为议程的重点。与此同时,所谓的接触网络描述的是相互作用,而不是关系,并且强烈依赖于应用程序以及用于推断它们的样本数据的大小和质量。为了填补这两种方法之间的差距,我们提出了一个数据驱动的城市社交网络模型,实现和发布的开源软件。给定一个感兴趣的领域,并且仅基于广泛可用的汇总人口统计和社会混合数据,我们构建了一个年龄分层和地理参考的合成人口,其个体通过两种类型的“强关系”连接:家庭内(例如,亲属关系或友谊。虽然家庭联系完全是数据驱动的,但我们提出了一个友谊的参数概率模型,该模型基于距离和年龄差异起作用的假设,并且并非所有个体都具有同样的社交能力。人口和地理因素所获得的网络结构,在不同的配置下,通过广泛的模拟集中在三个不同规模的意大利城市进行了深入研究。
2021-04-02 cs.MA cs.SI
Inferring Structural Characteristics of Networks with Strong and Weak Ties from Fixed-Choice Surveys
了解离线社交网络的结构有助于进行各种分析,包括研究传染病可能传播的速度,并确定一部分行为者进行免疫接种,以尽可能降低传播速度。离线社交网络拓扑通常通过调查参与者并要求他们列出他们的邻居来估计。当识别亲密的朋友和家人(即,强联系)通常可以可靠地完成,列出一个人的所有熟人(即,弱联系)由于应答者疲劳而容易出错。这个问题通常是通过使用所谓的“固定选择”调查来规避的,在这种调查中,受访者被要求说出一个固定的、少数的弱关系(例如,2或10)。当然,由此产生的粗略观察网络将省略许多联系,并且使用此粗略网络来推断网络的属性,例如其度分布或聚类系数,将导致有偏估计。本文开发了估计,矩的方法的基础上,一些网络特性,包括那些相关的第一和第二时刻的度分布以及网络规模,使用固定的选择调查数据。模拟数据的实验表明,所提出的估计器在各种网络拓扑结构和测量场景中表现良好,并且所得到的估计值比直接使用粗观测网络获得的估计值更准确,粗观测网络通常用于文献中。我们还描述了一个变化的刀切过程,可以用来获得估计方差的估计。
2017-06-23 cs.SI physics.soc-ph