从局部观测重建传播模型参数
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
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
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
在社交网络中进行信息传播时，基于动态消息传递方法的算法可以用来估计独立级联模型中的影响力函数，从而代替对具有高计算复杂度的边缘概率的 Monte-Carlo 采样方法，同时提供一个解决计算效率问题的方法。
Dec, 2019
通过可扩展的动态消息传递方法，我们证明了如何将网络上限制传播过程的有效使用与优化任务结合起来，例如识别最具影响力的传播者、针对特定的监管网络进行干预、制定传染病和金融系统的传播策略，以及演示了该方法在多种实际场景中的效果。
Aug, 2016
通过信息传播模型，研究电网中的级联故障；通过将传染概率与信息串联模型相关联，建立了稳健的故障扩散模型，有效地预测级联故障传播，减少大规模级联故障的风险。
Jun, 2024
我们开发了一种新的时空方法，通过集成从摊销变分推断、神经微分方程、神经点过程和隐式神经表示等技术，有效处理随机采样的数据，并对未来观测的概率位置和时间进行预测，从而在预测准确性和计算效率上显著超越现有方法，成为研究和理解在真实无约束条件下观察到的复杂动力系统的有用工具。
Jun, 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
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