Non massive immunization to contain spreading on complex networks
控制流行病的最佳策略是通过有效的免疫接种以最小的成本拆除接触网络。然而，网络碎片在实践中很少可以访问，并且可能会产生极端的副作用。在这项工作中，我们研究了远低于渗流阈值的流行病遏制免疫人口分数。我们报告说，适度和弱监督免疫接种可以导致有限的传染病阈值的无标度网络上的易感-感染-易感模型通过改变从一个特定的基序到一个集体驱动的过程的过渡的性质。修剪有效的散布器并增加它们的相互分离对于集体激活来说都是必要的。分数的免疫顶点需要消除的流行病，这是远远小于渗流阈值观察到一个广泛的真正的网络考虑有针对性的或熟人免疫策略。我们的工作有助于构建最佳遏制，通过非大规模和可行的免疫策略来保护网络功能。
2019-12-20 cs.SI physics.soc-ph
Maximizing Influence Propagation in Networks with Community Structure
我们考虑的算法问题，选择一组目标节点，导致最大的激活级联网络。在激活过程服从收益递减性质的情况下，一个简单的爬山选择机制已被证明可以实现可证明的良好性能。在这里，我们研究的影响力传播模型，表现出关键的行为，并在收益递减的属性不成立。我们证明，在这样的系统中，网络的结构特性可以发挥重要作用。我们专注于网络与两个松散耦合的社区，并表明，在这样的系统中的激活扩散的双临界行为有显着的影响，目标策略。特别是，我们表明，简单的策略，工作以及同质网络可能过于次优，并建议简单的修改，以提高性能，考虑到社区结构。
2009-05-07 cond-mat.stat-mech cs.CY physics.soc-ph
Reconstructing parameters of spreading models from partial observations
传播过程通常被建模为发生在给定网络之上的随机动态，其边缘权重对应于传输概率。准确的传输概率的知识是必不可少的预测，优化和控制扩散动力学。不幸的是，在大多数情况下，传输速率是未知的，需要从扩展数据中重建。此外，在现实环境中，不可能在每次都监视每个节点的状态，因此数据非常不完整。我们引入了一个有效的动态消息传递算法，它是能够重建的传播模型的参数，仅提供部分信息的网络中的节点的激活时间。该方法是推广到一大类动态模型，以及时间图的情况下。
2016-08-31 cond-mat.dis-nn cs.SI physics.soc-ph
Identifying effective multiple spreaders by coloring complex networks
如何识别社交网络中的影响节点具有重要的理论意义，它关系到如何防止传染病传播或连锁故障，如何加速信息的扩散等问题，本文将图论中的着色问题的思想推广到复杂网络中，尝试寻找复杂网络中的\emph{effective multiple spreaders}.在我们的方法中，网络中的每个节点都用一种颜色着色，具有相同颜色的节点被排序到一个独立的集合中。然后，对于一个给定的中心性指数，在一个独立的集合中具有最高中心性的节点被选为多个传播器。与传统的从\emph{entire}网络角度选择中心度最高的节点的方法相比，无论是在网络模型中还是在真实的社交网络中，本文的方法都能更有效地加速传播过程，最大化传播覆盖率.同时，着色算法的低计算复杂度保证了我们的方法的潜在应用。
2014-10-08 cs.SI physics.soc-ph
Computational Models for Commercial Advertisements in Social Networks
识别网络中值得注意的传播者对于理解传播过程和控制网络中传播的范围至关重要。拥有更多内在力量来扩大传播范围的节点非常重要，因为需要各种应用程序，例如病毒式营销，控制谣言传播或更好地了解疾病的传播。作为病毒式营销的一种应用，在固定预算的情况下实现最大化是广告业务的基本要求。分发固定数量的促销物品以最大化病毒覆盖范围可以利用影响者检测方法。为了检测这样的“影响者”节点，存在诸如度中心性（通常用作度内中心性）的局部度量或诸如k壳分解或特征向量中心性的全局度量。所有的方法都可以对图进行排序，但它们都有局限性，并且仍然没有事实上的方法用于该领域的影响者检测。在本文中，我们提出了一个扩展的k-shell算法，更好地利用k-shell分解识别病毒传播节点使用网络的拓扑特征。我们使用易感-感染-传播模型对真实网络中的传播过程进行了模拟，模拟结果表明，在相同的初始传播者数量下，我们的方法可以在同一网络中达到高达36%的人群。
2019-04-30 cs.SI physics.soc-ph
Seeds Buffering for Information Spreading Processes
社交网络中影响力最大化的播种策略已经研究了十多年。它们主要依赖于在开始时同时激活所有资源（种子）;然而，已经表明顺序播种策略通常更好。本研究的重点是研究顺序播种与缓冲，这是一个基本的顺序播种概念的扩展。所提出的方法避免了选择将通过自然扩散过程被激活的节点，这导致在社会影响过程中更好地使用用于激活种子节点的预算。将该方法与无缓冲的顺序播种和单阶段播种进行了比较。在真实和人工社交网络上的结果证实了基于缓冲区的连续播种在最终覆盖率和到达时间之间是一个很好的权衡。增益是通过动态排名和检测网络区域的能力来获得的，这些网络区域具有尚未激活的节点，并且具有激活其邻居的高潜力。
2017-09-14 cs.SI physics.soc-ph
Dynamics on networks: competition of temporal and topological correlations
在许多现实世界的网络中，链接的激活和停用与系统元素之间的零星交互相对应。激活模式可能是不规则的或突发的，并且对网络中发生的过程的动态起重要作用。网络中的信息或疾病传播就是这种情况的典型例子。除了突发性，几个相关性可能会出现在链接激活的过程中：记忆效应意味着时间的相关性，但在网络中的社区的存在可能介导的激活模式的内部和外部链接。在这里，我们研究的竞争的拓扑和时间相关性的链接激活，以及它们如何影响网络上运行的系统的动态。有趣的是，这两种类型的相关性单独有相反的效果：一个（拓扑）延迟网络上的动态过程，而另一个（时间）加速它。当它们一起发生时，我们的研究结果表明，最终结果的方向和强度取决于竞争在一个不平凡的方式。
2017-02-01 cs.SI physics.soc-ph
Epidemic spreading on time-varying multiplex networks
社会互动在多个背景下分层，并受到复杂的时间动态。对社会系统的这两个特征的系统研究只是最近才开始的，这主要归功于多元和时变网络的发展。然而，这两个进展几乎是平行的，几乎没有重叠。因此，连接模式的多重性和时间性质之间的相互作用知之甚少。在这里，我们的目标是通过引入一个随时间变化的多路复用网络模型来解决这个限制。我们感兴趣的是如何描述这两个属性影响传染过程。为此，我们研究SIS流行病模型展开在可比的时间尺度方面的多重网络的演变。我们研究分析和数值的流行阈值之间的重叠，和功能，每一层的函数。我们发现，层之间的重叠显着降低了流行阈值，特别是当重叠节点的时间激活模式是正相关的。此外，当各层之间的平均连接性非常不同时，传染动力学由连接更密集的层的特征驱动。在这里，流行病阈值相当于单层图的阈值，并且在驱动传染的层中，疾病的影响与重叠无关。然而，在传播动力学受其影响很大的其他层中，情况并非如此。本文的结果为描述真实网络的性质及其对传染现象的影响提供了又一步
2018-08-11 cs.SI physics.soc-ph
Competing activation mechanisms in epidemics on networks
以前的普遍观点认为，异质网络中的流行病活动是由连接数量最多的枢纽控制的，而最近的研究指出，网络最里面的密集核心在维持流行病过程中发挥着作用。在这里，我们表明，负责传播的机制取决于该过程的性质。具有暂时状态的流行病是由最内层的核心推动的。首先，允许稳定状态的流行病呈现出双重场景，其中要么枢纽独立地维持活动并将其传播到系统的其余部分，要么最内部的网络核心集体进入活动状态，在全球范围内维持它。在不相关的网络中，如果度分布以大于5/2的指数衰减，则前者机制占主导地位，否则后者占主导地位。在真实网络中普遍存在的拓扑相关性可能会扰乱这一图景，混淆这两种机制的作用。
2012-05-03 cond-mat.stat-mech cs.SI physics.soc-ph
Maximizing the Spread of Stable Influence: Leveraging Norm-driven Moral-Motivation for Green Behavior Change in Networks
为了理解为什么个人会选择参与代价高昂的环保行为，环境和行为经济学家研究了一个道德动机模型，在这个模型中，采取环保行为的决定取决于该行为在全社会的市场份额。越来越多的关于采取环保行为的实践研究强调了来自当地社会联系的鼓励和关于当地接受的规范的信息的重要性：我们通过将道德动机模型扩展到社交网络环境来回应。我们得到一个新的决策规则：一个人采取亲环境的行为，如果他或她观察到一定的阈值内采用他们当地的社会邻里。这就产生了一个并发的更新过程，它描述了通过网络传播的亲环境行为的采用。原始的道德动机模型对应于我们的网络版本在完全图中的特例。通过改进收敛结果，我们制定了中等规模的可转换程序，准确地（但效率不高）找到转换整个网络的最小规模的节点集，或者在网络中最大限度地长期采用有限数量的节点，可以暂时转换。决定长期采用的稳定性问题是关键。我们给出了这些优化问题的近似结果的硬度。我们证明了存在一类网络，它们在性质上与非网络版本有着严重不同的行为，并提供了与著名的Watts和Strogatz小世界网络相关的中等大小的高度聚集的小世界网络的初步计算结果。
2013-09-25 cs.SI physics.soc-ph
Simplicial temporal networks from Wi-Fi data in a University Campus: the effects of restrictions on epidemic spreading
无线网络通常用于公共场所、大学和公共机构，并提供准确且易于访问的信息以监控用户的移动性和行为。在最近的大流行期间采取遏制措施后，我们分析了意大利一所大学校园在三个时期（对应于部分封锁、部分开放和几乎完全开放）的WiFi网络的大量数据。我们测量组的概率分布和在Wi-Fi接入点的链路激活，调查如何在存在限制的情况下使用不同的区域。我们根据其拥挤程度和链接形成的概率对热点及其覆盖的区域进行排名，这是确定潜在爆发的相关变量。我们考虑了最近提出的单纯时间网络上的流行病模型，我们使用测量的分布来推断在三个阶段的再生数的变化。我们的数据表明，由于接触人数急剧增加，有必要采取额外措施，在全面开放阶段限制传染病传播。
2022-10-26 physics.soc-ph
Fast influencers in complex networks
复杂网络中的影响节点通常被定义为使感兴趣的传播过程的渐近到达最大化的那些节点。然而，对于实际应用，如病毒式营销和在线信息传播，人们通常对在短时间内最大化该过程的影响范围感兴趣。传统的影响者定义在网络相关的研究从不同的研究领域缩小了重点的后期状态的传播过程中，留下了以下问题没有解决：哪些节点能够启动大规模的传播过程，在有限的时间？在这里，我们发现节点之间存在根本区别-我们称之为“快速影响者”-在短时间内启动最大范围的过程，以及传统的“后期”影响者。在这一观察的刺激下，我们提供了一个广泛的中心性指标基准，以确定快速和后期影响者的能力。我们发现，本地网络属性可以用来发现快速的影响者。特别是，对于所有分析的经验网络，一个简约的局部中心性度量（我们称之为社会资本）在快速影响者识别中实现了最佳或接近最佳的性能。本地指标在传统的后期影响者识别任务中也具有竞争力。
2019-03-15 cs.CY cs.SI physics.soc-ph
Efficient reconstruction of transmission probabilities in a spreading process from partial observations
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Ecole Normale Supérieure（巴黎高等师范学院）
由数据重建扩散网络和传播概率是近年来引起人们广泛关注的一个重要问题。一些最近的论文介绍了有效的算法估计的扩展参数，基于最大化的可能性观察级联，假设网络中的所有节点的全部信息是可用的。在这项工作中，我们专注于一个更现实的和受限制的情况下，只有部分信息的级联是可用的：无论是一组激活时间为有限数量的节点，或状态的节点的一个子集的观察时间。为了解决这个问题，我们首先介绍了一个框架的基础上最大化的不完整的扩散迹的可能性。然而，我们认为，这种不完整的可能性的计算是一个计算困难的问题，并表明，一个快速和强大的重建稀疏网络中的传输概率可以实现一个新的算法的基础上最近推出的动态消息传递方程的传播过程。建议的方法可以很容易地推广到一大类离散和连续的动态模型，以及动态变化的网络和噪声信息的情况下。
2015-09-23 cond-mat.stat-mech cs.LG cs.SI
Burstiness in activity-driven networks and the epidemic threshold
研究了时间网络中异质时间激活对传染病传播的影响。研究了具有突发性的活动驱动网络中的易感染-易感染（SIS）模型。通过使用基于活动的平均场方法，我们推导出一个封闭的分析形式的流行病阈值的任意活动和事件间的时间分布。我们发现，正如预期的那样，突发性降低了流行阈值，而其对患病率的影响是双重的。在低传染率系统中，突发性增加了平均传染概率，而在高传染率系统中，突发性减弱了传染病传播。我们的研究结果可以帮助澄清文献中报道的突发性的相互矛盾的影响。我们还讨论了在过渡的缩放属性，表明它们不受突发性。
2019-05-27 cond-mat.stat-mech cs.SI physics.soc-ph
Correlation-Based Diagnostics of Social Contagion Dynamics in Multiplex Networks
Universitat de Barcelona（巴塞罗那大学）；Universitat Oberta de Catalunya（加泰罗尼亚开放大学）
该研究通过分析多重网络中节点活动的时间相关性，揭示了社会传染动力学的局部化与去局部化现象，并展示了滞后一阶自相关性在检测激活和局部化转变中的作用。
2026-01-30 physics.soc-ph
Effects of concurrency on epidemic spreading in Markovian temporal networks
本文构建可调节并发程度且保持边统计与聚合网络结构一致的 Markovian 时序网络模型，发现并发在流行病阈值附近小幅促进传播，而在高感染率下多数情况会抑制传播。
2024-05-08 physics.soc-ph
Prediction-Centric Learning of Independent Cascade Dynamics from Partial Observations
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
传播过程在传播网络、信息传播、市场营销和意见设定等建模中发挥着越来越重要的作用。我们解决的扩散模型的学习问题，使得从该模型生成的预测是准确的，并可以随后用于扩散动力学的优化和控制。我们专注于一个具有挑战性的设置，其中动态的完整观察是不可用的，标准的方法，如最大似然很快成为棘手的大型网络实例。我们引入了一种基于可扩展动态消息传递方法的计算高效算法，该算法能够在仅给定网络中节点激活时间的有限信息的情况下学习有效传播模型的参数。流行的独立级联模型被用来说明我们的方法。我们表明，从学习模型中进行的易处理的推断与原始模型相比，可以更好地预测边际概率。我们开发了一个系统的学习混合模型的过程，进一步提高了预测质量。
2021-07-24 cs.LG cs.SI physics.soc-ph
Maximizing the Collective Learning Effects in Regional Economic Development
University of Electronic Science and Technology of China（电子科技大学）；MIT Media Lab, Massachusetts Institute of Technology（麻省理工学院媒体实验室）
本文研究了如何通过简单传播模型最大化集体学习效应，利用巴西劳动力数据构建的真实网络，探讨了在区域间学习中如何平衡核心与边缘产业以及近邻与远距离地区以促进区域经济发展。
2017-12-24 cs.SI econ.GN physics.soc-ph
Balancing Speed and Coverage by Sequential Seeding in Complex Networks
复杂网络中的信息传播通常被建模为以一定的概率将信息从拥有它的节点扩散到不拥有它的邻居。当一组初始节点（种子）的激活导致扩散到大量节点时，就会触发信息级联。在这里，介绍了几种新的种子启动方法，取代常用的激活所有种子一次启动阶段的序列。后续阶段的顺序策略避免播种已经被阶段之间的扩散激活的高排名节点。当保存的种子被分配给难以通过扩散到达的节点时，增益出现。顺序播种和单阶段的方法进行了比较，使用不同的种子排序方法和实际复杂网络的扩散参数。实验结果表明，无论使用的种子排序方法，顺序播种策略提供更好的覆盖率比单阶段播种在约90%的情况下。较长的播种序列往往会激活更多的节点，但它们也会延长扩散的持续时间。顺序播种的各种变体以不同的方式解决了覆盖范围和扩散速度之间的权衡。
2017-01-12 cs.SI physics.soc-ph
Generalized threshold-based epidemics in random graphs: the power of extreme values
自举渗流是图中的一个众所周知的激活过程，其中当节点具有至少$r$活动邻居时，节点变为活动的。这种过程最初是在规则结构上研究的，最近也在随机图的背景下进行了研究，在随机图中，它可以作为各种级联的简单模型，例如在大型社交网络上传播思想，趋势，病毒内容等。特别地，已经表明，在$G(n,p)$中，最终活动集可以表现出对于子线性数量的种子的相变。在本文中，我们提出了一个独特的框架来研究更广泛的一类图模型和流行病过程的类似的次线性相变。具体来说，我们考虑i）一个广义版本的自举渗流在$G(n,p)$随机激活阈值和随机节点到节点的影响; ii）不同的随机图模型，包括图与给定的度序列和图的社区结构（块模型）。我们工作的共同点是显示临界种子集大小对分布极值的惊人敏感性，这使得一些系统非常容易受到大规模爆发的影响。我们验证我们的结果运行模拟合成和真实的图形。
2016-03-15 cs.SI physics.soc-ph
Dissecting localization phenomena of dynamical processes on networks
局域化现象渗透到物理学的许多分支中，对异质网络上的动力学过程起着基础性的作用。这些本地化分析经常接地，例如，在相邻或非回溯矩阵的特征向量出现在理论的动态过程附近的一个积极的到不积极的过渡。在这个问题上，我们推进测量节点活动，以量化网络上的动态过程中的本地化，无论它们是否接近过渡。该方法是通用的，适用于理论，随机模拟和真实数据。我们研究了广泛的网络上的传播过程，分析和数值计算，表明节点活动可以呈现复杂的模式，这取决于网络结构。使用退火网络，我们表明，一个本地化的状态，在过渡和地方病阶段，就在它上面的传播过程是不兼容的功能。我们还报告说，流行病的流行程度附近的过渡是由网络的离域组件，即使当分析的参与率的倒数表明本地化的活动。此外，具有不同临界指数的动力学过程可以用相同的局部化模式来描述。转向淬火网络，一个更复杂的图片，取决于激活的类型和度指数的范围内，观察和讨论。我们的工作为研究网络传播和其他过程中的局部活动铺平了重要道路。
2020-11-22 physics.soc-ph
Networks in Cognitive Science
从人工神经网络到语义分类的扩散激活模型，互联节点网络长期以来在认知科学中发挥着关键作用。然而，最近，一种新的网络科学已经发展起来，提供了对全球性的，系统规模的属性在互联网，代谢反应和科学家之间的合作等不同背景下出现的见解。今天，网络理论被纳入认知科学，以及复杂系统科学的扩展，有望显著改变认知和行为过程的组织和动力学的理解方式。在本文中，我们回顾了网络理论在认知科学的不同层次和领域的最新贡献。
2013-07-05 cs.SI physics.soc-ph q-bio.NC
Entropy-Driven Sensor Deployment and Source Detection in Hypergraphs
Alibaba Research Center for Complexity Sciences, Hangzhou Normal University（阿里巴巴复杂性科学研究中心，杭州师范大学）；Key Laboratory for Prevention and Control of Emerging Infectious Diseases and Public Health Security, the Xinjiang Production and Construction Corps, Shihezi University School of Public Health（突发传染病防控与公共卫生安全重点实验室，新疆生产建设兵团，石河子大学公共卫生学院）；College of Systems Engineering, National University of Defense Technology（系统工程学院，国防科技大学）；Engineering Research Center of Mobile Health Management System, Ministry of Education（教育部移动健康管理系统工程研究中心）
本文提出SSDH框架，通过熵驱动的传感器部署和路径不确定性评分，实现复杂网络中源的准确识别。
2025-11-30 physics.soc-ph
Campaigning in Heterogeneous Social Networks: Optimal Control of SI Information Epidemics
Indian Institute of Science（印度科学学院）
研究在社会网络中通过SI过程最大化信息传播的最优控制问题，分析不同网络结构对资源分配的影响，提出针对不同度数节点的最优策略，提升信息传播效率。
2015-12-25 cs.SI cs.SY eess.SY
Evolution of collective fairness in complex networks through degree-based role assignment
从社会契约到气候协议，个人参与的群体必须以不同程度的平等和公平集体达成决策。这些困境也普遍存在于分布式人工智能领域，如自动谈判，冲突解决或资源分配。正如著名的最后通牒游戏所证明的那样--提议者必须与响应者分享资源--收益最大化的结果往往与公平不一致。在利己行为者群体中引发平等需要明智的干预。在这里，我们使用知识代理的社交网络实现公平机制，在多人最后通牒游戏的背景下。我们专注于基于网络的角色分配，并表明，优先归因于低连接节点的提议者的角色，增加了人口的公平水平。我们评估的有效性，考虑网络的平均连接，组的大小，和组投票规则时，接受建议（如多数或多数）的低程度的提案分配。我们进一步表明，低度Proposer分配是有效的，不仅优化了公平性，而且还优化了种群的平均收益水平。最后，我们表明，更严格的投票规则（即，强加接受共识作为集体接受提议的要求）减弱了由高度节点（枢纽）是充当提议者的自然候选者的情况所导致的不公平。我们的研究结果提出了使用角色分配和投票机制来防止不公平行为在复杂网络上传播的新途径。
2021-02-26 cs.GT physics.soc-ph
