Jul, 2014

利用自然多样性重建传播网络并识别隐藏源

PDF
TL;DR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。
发现论文，激发创造
  • 从局部观测重建传播模型参数

    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

  • 缺失和错误的相互作用及复杂网络的重建

    通过一般的数学和计算框架可靠地发现复杂网络中缺失和虚假的相互作用，能够更精确地​​估计网络性质

    Apr, 2010

  • 从嘈杂且不完整的数据中学习网络传播模型

    基于可扩展的动态传递消息技术，介绍了一种通用学习方法，用于从真实数据中学习传播模型的网络结构和参数，并解决了未知网络结构、噪声数据、缺失时间观测以及最小化所需样本数量的模型选择等挑战。

    Dec, 2023

  • 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

  • 基于统计物理的压缩感知重建

    本文介绍了一种基于概率重构方法、信令传递算法、及结晶成核理论的、能够精确重构低采样率稀疏信号的压缩感知算法，并使用统计物理方法进行了分析和实验验证。

    Sep, 2011

  • 估计扩散网络结构：恢复条件、样本复杂度和软阈值算法

    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。

    May, 2014

  • 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

  • 从复杂动力学推断网络拓扑

    本文提出了一种从动力学观测中推断网络拓扑结构的简单直接方法，能够适用于任意网络动力学系统，基于对观察到的动态轨迹得到网络连接拓扑结构的解析解。

    Jul, 2010

  • 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

  • 估计时变网络

    本文介绍了两种新的机器学习方法来估计时间变化的网络，采用了一种顺序平滑的 $l_{1}$ 正则化逻辑回归形式，可用作标准凸优化问题，并利用通用求解器高效地解决大型网络。本文在虚拟数据集中还原时间变化网络，同时，从议员投票记录中反向构建了渐进改组政治网络的潜在序列，以及从周期性实验中重建了生物当量基因网络中的潜在演化调控网络。

    Dec, 2008