本文研究社交网络，尤其是社交网络上疾病的传播，在物理学界引起了广泛关注。我们证明了一类称为易感性 / 传染性 / 移除 (SIR) 模型可以在各种网络上得到精确解。此外，我们解决了各种时间和概率是非均匀和相关的情况，也考虑了一个简单的结构化群体的流行病情况，即男女分组的性传播疾病。通过在网络上进行 SIR 疫情的数值模拟，我们证实了我们的解的正确性。

Apr, 2002

本文使用时间可变的易感 - 感染 - 恢复（SIR）模型回答了 COVID-19 相关问题，包括如何抑制疫情、疫情高峰和结束的时间、无症状感染者对疾病传播的影响、实现群体免疫所需感染者数量、社交隔离的有效性、长期感染者比例以及研究独立级联模型与 SIR 模型之间关系。

Feb, 2020

本文提出一种 SIS 模型的改进版，将警惕性引入该模型，得到了一个连续时间马尔可夫过程，并且证明了该模型的传播具有两个明显的阈值。实验进一步证明了，警惕性可以被视为控制流行病的一种策略，对从传染病缓解到减少恶意软件影响的多个应用领域具有潜在的发掘价值。

Jul, 2011

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

本文研究了计算机病毒在网络传播时的逻辑拓扑结构对其传播的影响以及产生的结果，结果表明当特定参数满足一定条件时，病毒传染对应网络的感染总体积极小或积极大。

Jun, 2006

研究了在线信息传播建模的统计工具，发现在 Hawkes 模型中，扩展事件的频率与 SIR 模型中的新感染率相同，并导出了 HawkesN 的级联大小分布。

Nov, 2017

使用 LSODA 算法生成数据集，离线训练神经网络来估计 SIR 模型中的参数，并进行通用性测试和进一步优化，以在比物理信息神经网络更少的时间内实现治疗高传染疾病的参数估计。

Mar, 2023

应用 SIR 模型评估了 COVID-19 的流行，发现控制社交疏远的时机和强度的最优减轻政策可以将高峰感染率从 28％降至 6.2％，对资产定价模型的影响也得到了初步研究。

Mar, 2020

本研究提出了一种基于 metapopulation 的两步方法来预测疾病传播，第一步使用 D^2PRI 网络推理模型来推理出潜在的传染病感染网络，第二步使用扩展的 SIR 模型进行传播预测和爆发模拟，证明该方法在网络推理、感染预测和爆发模拟方面表现出优越性。

Jun, 2018