本文基于信息传播数据研究了推断动态网络的问题，提出一种基于随机凸优化的在线算法来高效解决，将其应用于 330 万个媒体和博客网站之间的信息传播，并实验了 179 亿不同信息在一年内的传播，发现了信息路径的演变和网络中心性等有趣发现。
Dec, 2012
针对在网络上的信息 / 影响 / 疾病扩散，本研究提出了一种基于离散网络的连续时间过程模型，通过已感染节点的传染事件推断全局扩散网络的边缘和每条边缘的传输速率，进而预测、影响和抑制感染传播。该模型具有稀疏解决方案，无需参数调整，可轻松适用于规模在数千到数十万的网络，实验证实了该算法的效果良好。
May, 2011
本文提出一种基于网络扩散或疾病传播数据来推断潜在社交网络的最大似然方法，该方法基于凸规划，使用类似于 L1 的惩罚项来鼓励稀疏性，实验结果表明该方法几乎完美地恢复了潜在的网络结构和传播模型参数，且可推断数千个节点的最优网络。
Oct, 2010
本研究针对扩散网络中寻找最佳源节点集合，以限定时间内最大化信息、影响力和疾病传播等问题展开研究，利用连续时间马尔可夫链可以解析计算扩散过程中源节点覆盖数量的平均值，并发现选择时间连续状态下的最具影响力的源节点是 NP-hard 的，因此提出了一种高效的近似算法，并在实验中针对合成和真实扩散网络展示出其明显优越性。
May, 2012
通过 Twitter 网络一月的完整跟踪，研究了信息传播的两种方式以及外部事件和因素对信息传播的影响，发现只有约 71% 的信息量可以归因于网络弥散，其余 29% 是由网络外部的事件和因素引起的。
Jun, 2012
本文提出了一种基于随机算法来进行影响估计的方法，该方法可以在连续的时间传播网络中估计每个节点的影响力，通过大规模的实验数据表明，该方法不仅精度高，而且能够扩展到数百万个节点的网络上。
Nov, 2013
通过分析两个社交新闻站点的数据，研究表明社交网络在信息传播中发挥关键作用，网络结构影响信息流动的动力学。
Mar, 2010
本文提出了一个两阶段的框架来解决信息传播网络中恶意信息源节点识别与时间推断问题，该框架基于历史扩散轨迹学习连续时间扩散网络模型，并通过最大化学习模型下不完全扩散轨迹的可能性来识别源节点。实证结果显示，该框架能够更准确地回溯到过去、显著地提高源节点和其引入时间的识别精度。
Jan, 2015
本文研究在线社交网络中的信息传播，包括在一项大规模实地实验中，随机暴露于关于朋友信息分享的信号的 2.53 亿名受试者，发现那些接受信号的人更有可能更快地传播信息。同时，研究了强弱关系在信息传播中的作用，发现尽管强联系人更有影响力，但更丰富的弱联系人负责传播新信息。这表明，弱联系人在网络信息传播中可能比当前认为的更占主导地位。
Jan, 2012
我们通过将扩散过程视为连续时间动力系统，建立了一个连续时间扩散模型，以此来推断潜在的网络结构，并且通过高级抽样技术提高了影响力估计的可扩展性，FIM 在网络推断和影响力估计方面具有显著的效果和优越的可扩展性。
Mar, 2024