ICMLMay, 2014

估计扩散网络结构：恢复条件、样本复杂度和软阈值算法

PDF
TL;DR本文使用 l1 正则化最大似然框架研究了一般连续时间扩散模型的网络结构推断问题。我们证明了只要级联采样过程满足自然的不相干条件，我们的框架可以在观察到 O (d3logN) 个级联的情况下高概率地恢复正确的网络结构。此外，我们开发了一个简单有效的软阈值推断算法，并证明我们的框架在实践中优于其他替代方案。
network structurescascadesinference algorithmsdiffusion modelslikelihood maximization
发现论文，激发创造
  • 基于级联推断图：一个稀疏恢复框架

    研究图网络推断问题，探讨基于稀疏恢复的级联模型，提出第一个可以高概率和 O（slog m）的测量找到图的边缘的算法，并能恢复边权及适用于近似稀疏条件下的情景。最后，通过人造数据验证了本算法的可靠性及降低边缘误差和参数估计误差的能力。

    May, 2015

  • 网络推理和影响估计的可扩展连续时间扩散框架

    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

  • 揭示扩散网络的时间动态

    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

  • 从信息级联中跟踪切换动态网络拓扑

    本文提出了一种切换动态结构方程模型，用于跟踪动态网络中基础拓扑的离散确认背后的驱动离散状态，一个通过交替最小二乘求解的快速一阶邻域梯度算法，验证试验表明这种方法的功效。

    Jun, 2016

  • 关于潜在社交网络推理凸性的研究

    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

  • 网络推理的迹复杂度

    研究了在给定感染时间线的情况下，如何用限制资源推断网络的拓扑结构及其属性， 并定义了追溯复杂度，给出了相应算法，并证明了信息理论下界，同时针对特殊情况给出了更简单且有效的解决方案。

    Aug, 2013

  • 有限网络中，由失效级联引起的显式规模分布重新定义系统风险

    本研究发现，在有限网络中，初始节点的少量失败可能会导致跨越大部分节点的级联，级联大小的分布多为双峰形。通过推导出级联最终大小的全概率分布，证实了此现象的普遍性和重要性，同时着重探讨了全网络和星型网络两种拓扑极端情况下的级联大小分布。

    Feb, 2018

  • 利用自然多样性重建传播网络并识别隐藏源

    本研究提出了一种基于压缩感知的框架来重建随机扩散动力学下的复杂网络，并应用到模型和真实网络中。研究表明，从少量二元数据可以实现不均匀交互的全面重建。此外，该方法还可以确定并高度可信地定位隐含的触发扩散过程并在其外部不可访问的源，从而为追踪和控制复杂网络系统中的流行入侵和信息扩散建立了一个范例。

    Jul, 2014

  • 样本中的网络推断和影响最大化

    本文提出一种基于采样的影响力最大化方法，对于给定的节点影响传播日志数据，采用新颖的网络推断方法，可以学习到网络结构和传播参数，避免网络结构和参数假设所带来的误差。相比以往的方法，本方法不需要最大似然估计和凸规划假设，可以在网络参数学习难度较高的情况下保证一个比较小的近似率。

    Jun, 2021

  • 回到过去：基于部分观测级联的扩散网络源头识别

    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