涌现的传播复杂性：从相关异质性中解开机制复杂性
Emergent contagion complexity: Disentangling mechanistic complexity from correlated heterogeneity
AI总结：
研究简单与复杂传播差异及涌现复杂性，提出传播复杂性度量和推理框架，从时间序列数据估计非参数传播规则混合，以简单传播异质混合为替代解释重构复杂传播研究。
AI中文摘要：
简单传播和复杂传播在机制上存在差异，多次接触在复杂传播中协同作用，在简单传播中独立作用。然而，在推断全局传播规则时，简单传播的相关混合可能显得复杂，即“涌现复杂性”。我们提出了一种传播复杂性度量和一个推理框架，用于从时间序列数据估计非参数传播规则的混合。我们的工作通过提供简单传播的异质混合作为替代解释，重新构建了过去关于复杂传播的研究。
英文摘要：
Simple and complex contagions differ mechanistically; multiple exposures act synergistically in the latter but independently in the former. Yet correlated mixtures of simple contagions may appear complex when inferring global contagion rules, a phenomenon we call "emergent complexity." We present a measure of contagion complexity and an inferential framework for estimating mixtures of nonparametric contagion rules from time-series data. Our work reframes past studies on complex contagion by offering heterogeneous mixtures of simple contagions as an alternative explanation.
