Enhancing Rumor Detection in Social Media Using Dynamic Propagation Structures
Facebook和Twitter等社交媒体已成为最重要的信息传播渠道之一。然而，这些社交媒体平台经常被滥用来传播谣言，这带来了严重的社会问题，因此，迫切需要自动谣言检测技术。现有的谣言检测工作更多地集中在文本特征的利用上，而扩散结构本身可以为谣言的识别提供关键的传播信息。以前的作品，考虑了结构信息，只利用有限的传播结构。此外，很少有相关的研究已经考虑了扩散结构的动态演化。为了解决这些问题，在本文中，我们提出了一种使用动态传播结构的神经模型（NM-DPS）用于社交媒体中的谣言检测。首先，我们提出了一个分区的方法来模拟传播结构的动态演变，然后使用基于时间注意力的神经模型来学习的动态结构的表示。最后，我们融合的结构表示和内容特征到一个统一的框架，有效的谣言检测。两个真实世界的社交媒体数据集上的实验结果表明，动态传播结构信息的显着性和我们所提出的方法在捕捉动态结构的有效性。
2020-08-27 cs.SI
Agent Based Rumor Spreading in a scale-free network
在过去的几年里，社交网络上谣言传播的研究在科学界产生了很大的兴趣，特别是由于社交网络在最近的政治事件中的作用。这项工作的目标是再现真实的信息和错误信息的扩散在无标度网络中使用基于多智能体的模型。关于虚拟传播的数据很容易获得，特别是在Twitter上宣布发现希格斯玻色子期间的信息传播被详细记录和调查。我们对代理的微观行为做了一些假设，并在回复真实数据扩散的统计分析中记录了这些影响。然后，我们研究了一个假设性的反应，错误的信息扩散添加揭穿代理，并试图从代理使用的真实数据，从一个骗局关于占领华尔街运动的批评家的反应模型。在调整我们的模型以重现这些结果之后，我们测量了一些网络属性，并证明了类似回声室的基本分离结构的出现，这些结构独立于网络大小尺度，即具有一百个，一千个和一万个代理。
2018-05-17 cs.MA cs.SI
Hiding the Rumor Source
像Secret、Yik Yak和Whisper这样的匿名社交媒体平台已经成为分享想法而不必担心判断的重要工具。这种匿名平台在专制统治下的国家也很重要，因为在这些国家，表达自由和信息作者的人身安全可能取决于匿名。无论是出于对审判的恐惧还是对报复的恐惧，有时隐藏发布敏感信息的用户的身份是至关重要的。在本文中，我们考虑一个全球性的对手谁希望确定一个消息的作者，它观察到一个消息的传播在某个时间的快照，采样的时间戳元数据，或两者兼而有之。谣言源检测的最新进展表明，现有的消息传递协议对这样的对手是脆弱的。我们介绍了一种新的消息传递协议，我们称之为自适应扩散，并表明在快照对抗模型下，自适应扩散快速传播内容，并在底层接触网络是无限正则树时实现了源的完美混淆。也就是说，所有具有该消息的用户几乎同样可能是该消息的来源。当接触网络是一个不规则的树，我们的特点是最大似然检测的概率证明浓度的结果在高尔顿-沃森树。在Facebook网络上的实验表明，自适应扩散有效地隐藏了源的位置，即使图形是有限的，不规则的，有周期的。
2016-08-24 cs.CR cs.SI
Distributed Rumor Blocking with Multiple Positive Cascades
错误信息和谣言可以通过在线社交网络快速广泛地传播，因此谣言控制已经成为一个关键问题。人们通常认为有一个单一的权威，其目标是通过产生积极的级联来最大限度地减少谣言的传播。在本文中，我们研究了一个更现实的情况下，有多个积极的级联产生不同的代理。对于多级联扩散，我们提出了P2P独立级联（PIC）模型的私人社会通信。本文的主要部分是分析谣言阻断效果（即由谣言激活的用户数）时，代理非合作产生的积极级联。我们表明，谣言封锁效果提供的纳什均衡不会任意恶化，即使产生的积极级联非合作。此外，我们还讨论了级联优先级和激活顺序对谣言拦截问题的影响。我们实验研究的纳什均衡所提出的游戏模拟真实的社会网络结构。
2017-12-01 cs.SI physics.soc-ph
Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
Tsinghua University（清华大学）；Tencent AI Lab（腾讯人工智能实验室）
社交媒体因其传播新信息的特性在公众中迅速发展，导致谣言不断流传。与此同时，从社交媒体上的海量信息中发现谣言正成为一项艰巨的挑战。因此，一些深度学习方法被应用于通过谣言传播的方式来发现谣言，例如递归神经网络（RvNN）等，但是这些深度学习方法在谣言检测中只考虑了深度传播的模式，而忽略了广泛分散的结构。事实上，传播和扩散是谣言的两个重要特征。在本文中，我们提出了一种新的双向图模型，命名为双向图卷积网络（Bi-GCN），探索这两个特点，操作上的自上而下和自下而上的传播谣言。它利用具有自顶向下的谣言传播有向图的GCN来学习谣言传播的模式，并利用具有相反方向的谣言扩散图的GCN来捕获谣言扩散的结构。此外，在GCN的每一层都涉及到来自源帖子的信息，以增强谣言根源的影响力。令人鼓舞的实证结果在几个基准确认所提出的方法的优越性，在国家的最先进的方法。
2020-01-17 cs.LG cs.SI
A Novel Dynamic Epidemic Model for Successive Opinion Diffusion in Social Networks
RPTU Kaiserslautern-Landau（莱茵兰-普法尔茨科技大学凯泽斯劳滕-兰道校区）；Lingnan University（岭南大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
本文提出了一种新型动态流行病模型，用于研究社交网络中连续意见扩散，通过考虑社会距离影响和谣言传播对网络结构的影响，揭示意见扩散动态及社会极化机制。
2025-11-28 cs.SI
Absence of influential spreaders in rumor dynamics
最近的研究[1]表明，核心度，而不是度，构成了一个更好的拓扑描述符，以识别复杂网络中有影响力的传播者。这一假设在疾病传播的背景下得到了验证。在这里，我们专注于谣言传播模型，这更适合于社会传染和信息传播。为此，我们在几个真实世界的网络上进行了广泛的计算机模拟，并发现了相反的结果。也就是说，我们表明，节点的传播能力不依赖于他们的$k$核心索引，而不是决定是否一个给定的节点防止扩散的谣言，以系统范围内的规模。我们的研究结果与传染动力学的社会学研究和有效的商业病毒过程的设计有关。
2011-12-10 cs.SI physics.soc-ph
Call Attention to Rumors: Deep Attention Based Recurrent Neural Networks for Early Rumor Detection
The University of Queensland（昆士兰大学）；Deakin University（迪肯大学）；The University of New South Wales（新南威尔士大学）
社交媒体在沟通和信息传播方面的泛滥，使其成为传播谣言的理想平台。在谣言扩散阶段自动揭穿谣言被称为\textit{early rumor detection}，它指的是处理关于有争议的事实主张的连续帖子，这些事实主张随着时间的推移而发生某些变化和高度文本重复。因此，识别趋势谣言需要一个高效而灵活的模型，该模型能够捕获帖子之间的长期依赖关系，并为准确的早期检测产生不同的表示。然而，这是一个具有挑战性的任务，将传统的分类算法应用于谣言检测的早期，因为他们依赖于手工制作的功能，需要密集的人工努力的情况下，大量的职位。本文提出了一种基于循环神经网络（RNN）的深度注意模型，用于学习序列帖子的\textit{selectively}时间隐藏表示，以识别谣言。该模型将软注意力深入到递归中，同时汇集出具有特定焦点的不同特征，并产生隐藏的表示，以捕获相关帖子随时间的上下文变化。在社交媒体网站上收集的真实数据集上进行的大量实验表明：（1）基于深度注意力的RNN模型优于依赖手工特征的最新技术;（2）软注意力机制的引入可以有效地提前从原始帖子中提取谣言的相关部分;（3）所提出的方法比竞争对手更快，更准确地检测谣言。
2017-04-20 cs.CL cs.SI
Emergence of influential spreaders in modified rumor models
在过去十年中，在线社交网络的使用激增，这证明了当前的谣言传播模型为了重现信息的传播方式，忽略了一些基本要素。特别是，最近的文献表明，这些模型未能再现这样一个事实，即网络中的某些节点在传播信息时具有影响力。在这项工作中，我们介绍了两种机制，目的是填补理论和实验结果之间的差距。第一个模型引入了传播者并不总是活跃的假设，而第二个模型则考虑了无知者对传播谣言不感兴趣的可能性。在这两种情况下，从数值模拟的结果显示出更高的粘附到真实数据比经典的谣言传播模型。我们的研究结果揭示了大型社会系统中信息和思想传播的机制，并为更现实的扩散模型铺平了道路。
2012-09-06 cs.SI physics.soc-ph
Rumor Source Detection under Querying with Untruthful Answers
社交网络是大多数人通过互动交流对新产品、社会趋势和政治问题的看法的主要途径。找出最初传播信息的人通常是非常重要的，即找到谣言来源或趋势设定者。众所周知，这样的任务是非常具有挑战性的和源检测概率不能超过31%的规则树，如果我们只是从一个给定的扩散快照估计的源。在实践中，寻找来源往往需要询问“你是谣言来源吗？或者“谁告诉你的谣言？““这将增加发现源头的机会。在本文中，我们考虑两种查询：（a）简单的批量查询和（b）交互式查询的方向下，查询可以是不真实的概率的假设。我们提出了这些查询的估计算法，并量化其检测性能和由于不真实的额外预算的金额，分析表明，查询显着提高检测性能。我们进行了广泛的模拟，以验证我们的理论研究结果在合成和现实世界的社交网络拓扑结构。
2020-10-26 cs.SI
A Comprehensive Low and High-level Feature Analysis for Early Rumor Detection on Twitter
L3S Research Center（L3S研究中心）
本文针对 Twitter 早期谣言检测中聚合特征不成熟的问题，利用神经模型学习谣言初期单条推文的隐藏表示，并结合低层与高层特征分析，在 48 小时范围内实现超过 90% 准确率并优于强基线。
2024-04-09 cs.LG cs.SI
Spy vs. Spy: Rumor Source Obfuscation
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
匿名消息平台，如Secret和Whisper，已经成为重要的社交媒体，可以分享一个人的想法，而不必担心被朋友，家人或公众评判。此外，这种匿名平台在独裁政府的国家至关重要;言论自由的权利，有时甚至是信息作者的人身安全都取决于匿名。无论是出于对判断的恐惧还是对个人的危害，对最初发布敏感信息的用户的身份保持匿名都是至关重要的。在本文中，我们考虑一个对手谁观察到在某个时间的消息传播的快照。谣言源检测的最新进展表明，现有的消息传递协议对这样的对手是脆弱的。我们介绍了一种新的消息传递协议，我们称之为自适应扩散，并表明，它传播的消息快速，并实现了完美的混淆的源时，底层的接触网络是一个无限的正规树：所有用户的消息几乎同样有可能是消息的起源。在Facebook网络上的实验表明，即使图是有限的，不规则的，有周期的，它也能有效地隐藏源的位置。我们进一步考虑了一个更强的对抗模型，其中一个合谋用户的子集跟踪消息的接收。我们表明，自适应扩散提供了一个强大的保护源的匿名性，即使在这种情况下。
2015-04-26 cs.LG cs.SI
Homophily on social networks changes evolutionary advantage in competitive information diffusion
竞争性信息在大规模社交网络上的传播揭示了谣言传播的基本特征，并对舆论形成产生了深刻影响。近年来，人们对竞争演化的动力学机制的研究越来越感兴趣。然而，决定强大的集体人类行为的群体同质性的影响仍然不清楚。在本文中，我们将同质性效应引入到一个改进的具有广义种群偏好的竞争性谣言扩散模型中。利用微观马尔可夫链方法，我们首先推导出竞争扩散结果的相图，并研究竞争信息如何在社交网络上传播和演化。然后，我们探讨同质性的详细影响，这是一个重新布线机制建模。结果表明，同质性促进了分裂的“回声室”的形成，保护了处于不利地位的信息免于灭绝，从而进一步改变甚至逆转了进化优势，即，竞争信息最终比例的差异。我们的结论是，只有当最初处于不利地位的信息具有较强的传播能力，具有扩散优势时，逆转才可能发生。我们的框架提供了深刻的洞察竞争动态与人口同质性，这可能为进一步控制错误信息和引导公众信仰体系铺平道路。此外，逆转条件揭示了设计有效的竞争策略，在许多真实的场景。
2019-08-16 cs.SI physics.soc-ph
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
Modeling Information Diffusion in Social Networks
社交网络的一个主要特征（例如，大规模在线社交网络）是信息的传播，例如新闻、谣言和观点。信息可以通过书面、口头或电子表格的自然联系传播。随着互联网和Web的主流采用，信息扩散的物理特性发生了变化。直到几年前，想要在社区中传播一条信息的人的主要障碍是达到大量人群所需的技术基础设施的成本。如今，随着互联网的普及，这一瓶颈已基本消除。信息扩散由于其在社会交往和日常生活中的重要性而成为社会网络研究领域的热点之一。最近，在过去的二三十年里，人们不仅对观察信息和创新流感兴趣，而且还对影响和创造它们感兴趣。对网络中的信息扩散进行建模使我们能够对它的传播进行推理。
2016-03-29 cs.SI
Diffusion Source Identification on Networks with Statistical Confidence
University of Virginia（弗吉尼亚大学）
网络扩散源识别在谣言控制和病毒识别等广泛的应用中具有重要意义。虽然这个问题最近受到了极大的关注，但大多数研究都只关注非常严格的设置，缺乏更现实的网络的理论保证。我们引入了一个统计框架的研究扩散源识别和发展的置信集推理方法的假设检验的启发。我们的方法有效地产生了一个小的节点子集，它可证明覆盖源节点与任何预先指定的置信水平，没有限制性的假设网络结构。此外，我们提出了多个Monte Carlo策略的推理过程的基础上，网络拓扑结构和概率属性，显着提高了可扩展性。据我们所知，这是第一个扩散源识别方法，在一般网络上有实际有用的理论保证。我们通过对众所周知的随机网络模型和城市之间关于COVID-19传播的移动网络进行广泛的合成实验来证明我们的方法。
2021-06-17 cs.LG cs.SI stat.ML
Locating the source of diffusion in complex networks by time-reversal backward spreading
在复杂网络中，从社会和互联网上的传染病传播到人体内的癌症转移，定位触发动态过程的源是一个基本但具有挑战性的问题。准确定位源的能力受到同时访问大规模复杂网络中所有节点信息的能力的限制。因此，这就提出了两个关键问题：我们如何从不完整的信息中定位源，以及我们能否从给定的一组可观察节点在任何可能的位置实现源的完全定位。在这里，我们开发了一个时间反演反向传播算法来定位的扩散类过程的源有效地，并提出了一个一般的定位条件。以传染病传播和共识动力学为典型动力学过程，对算法进行了测试，并将其应用于中国甲型H1N1流感疫情。我们发现，只要可定位性条件得到保证，源可以精确地定位在任意网络。我们的工具大大提高了我们的能力，在复杂的网络中，基于有限的节点信息的可访问性的扩散源。此外，它们对控制复杂网络上发生的各种动力学过程具有影响，例如抑制流行病，减缓谣言的传播，污染控制和环境保护。
2016-11-12 cs.SI physics.soc-ph
Locating privileged spreaders on an Online Social Network
本文基于复杂网络理论，结合西班牙2011年为期一个月的政治抗议事件的拓扑与互动数据，研究在线社交网络中哪些用户具备特权信息传播能力及其原因。
2012-03-06 cs.SI physics.soc-ph
Adaptive Diffusion Processes of Time-Varying Local Information on Networks
本文主要讨论具有时变耦合的复杂网络的扩散问题。提出了一个描述局部拓扑和动力学信息自适应扩散过程的模型，发现Barabasi-Albert无标度网络（BA网络）有利于局部拓扑和动力学信息的自适应扩散，使节点达到比其他网络更大的状态值.一个节点的扩散能力与它的度有关。具体来说，度较小的节点更有可能改变它们的状态并达到更大的值，而度较大的节点则倾向于坚持它们的原始状态。我们引入状态熵来分析扩散过程的热力学机制，有趣地发现这种扩散过程是一个状态熵最小化的过程。我们用不等式约束优化方法揭示了最小化的约束函数，并发现它与吉布斯自由能具有相同的形式。网络的概念使我们能够从一个全新的角度来理解复杂网络上的动力学过程。该结果为实际电路及相关复杂系统的相关动力学过程的优化提供了方便的手段。
2018-11-10 cs.SI nlin.AO physics.soc-ph
Diffusion Strategies Outperform Consensus Strategies for Distributed Estimation over Adaptive Networks
自适应网络由具有自适应和学习能力的节点集合组成。这些节点在本地层面上相互交互，并在网络中传播信息，以分布式方式解决估计和推理任务。在这项工作中，我们比较了两个主要的策略在网络上的分布式估计的均方性能：共识策略和扩散策略。本文的分析证实，在恒定步长下，扩散策略允许信息在网络中更彻底地扩散，并且这种性质对网络的演化具有有利的影响：扩散网络比共识网络收敛得更快，达到更低的均方偏差，并且它们的均方稳定性对组合权重的选择不敏感。相反，令人惊讶的是，即使所有的节点都是稳定的，并且能够自己解决估计任务，共识网络也可能变得不稳定。当这种情况发生时，网络上的合作会导致估计任务的灾难性失败。这种现象不会发生扩散网络：我们表明，稳定的单个节点总是确保稳定的扩散网络的组合拓扑结构无关。仿真结果支持理论研究结果。
2012-08-28 cs.IT cs.SI math.IT
