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

通过识别节点的信息传播时间和感染情况，我们开发了一种有效的方法来追踪信息在网络中的扩散路径和网络，可以近似地解决 NP 难问题并应用于 170 万个博客和新闻文章，发现信息传播网络具有核心 - 边际结构。

Jun, 2010

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

本研究提出了一种高效的动态信息传递算法，可以在只有网络中节点活动时间的部分信息的情况下重建传播模型的参数。该方法适用于大量的动态模型和时间图案例。

Aug, 2016

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

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

本文提出了一种基于潜在空间的统计模型，用于对社交网络、协作网络等观察到的具有时间动态的网络进行建模和分析，该模型可应用于社区检测和链路预测等任务，并与现有方法相比表现出更好的效果。

Feb, 2018

通过新提出的潜在影响点过程模型 (Latent Influence Point Process，LIPP) 来量化传染病在人口密集地区的内部动态对事件发生的反馈（触发区域性爆发疫情的前期病例存在的可能性），并研究了昆士兰州 15 年的登革热病例，发现爆发主要由州间全局扩散所驱动，而密集地区的疫情受到前期流行病的缓慢而持续的反馈，而边缘区域的疫情则受到快速但不稳定的反馈。该模型揭示了不同组之间的直接和间接扩散过程以及基于接触和向量传播疾病的概率因果关系。

Jan, 2018

本文提出了一些标准网络模型的概括，包括随机网络、配置模型和随机块模型，将它们推广到时变网络的情况。我们假设边缘的存在和缺失受节点属性的连续时间马尔可夫过程的速率参数控制，并演示了这些模型在数据分析和统计推断中的应用。我们的方法可以通过观察边缘出现和消失的特征动态，以及节点对边缘连接的时间上的概率来估计网络演化的时间常量或推断出社区结构，我们演示了这些方法在计算机生成的测试网络和实际数据中的应用。

Jul, 2016