ICMLOct, 2016

ChoiceRank：从网络节点流量中识别偏好

PDF
TL;DR考虑到只观察到节点级别的交通流量并学习边缘转换概率，我们将其描述为偏好学习问题，并研究选择遵循卢斯公理的模型。我们表明如何使推断问题具有很好的形式，无论网络结构如何，并提出了 ChoiceRank 算法，可扩展到包含数十亿节点和边缘的网络。该模型应用于两个点击流数据集，成功地恢复了转换概率，仅使用网络结构和节点级别的流量数据。最后，我们还考虑了对移动网络的应用，并将该模型应用于纽约市的共享单车系统一年的骑行数据。
发现论文，激发创造
  • 选择扩展图形：将网络形成建模为离散选择

    该研究提出了一个基于离散选择和随机实用理论的条件多项式 Logit 模型的社交网络形成框架，为概念化、估算和比较模型提供了灵活的手段，并展示了模型的灵活性和应用价值。

    Nov, 2018

  • 复杂网络上的偏执随机游走：本地导航规则的作用

    本研究探讨在具有任意度数分布的随机不相关网络中的有偏随机游走过程，并推导了平稳占据概率和两个节点间的平均传输时间的精确表达式，同时探讨了循环搜索对传输时间的影响，为复杂网络上与运输相关问题的理论处理以及关键的数据包生成率的定量估计提供基础。

    Sep, 2007

  • 网络高效排名的物理模型

    该论文提出了一种基于物理学原理的模型和高效算法，用于推断有向网络中节点的层次排名，并介绍了一种更精确的排名方式，并提供了一种对强度进行统计显著性检验的方法，应用于预测边的存在性和方向，并在实际和合成数据上分析展示出算法的效率与可扩展度。

    Sep, 2017

  • 一种高效的网络动态排名模型

    我们提出了一种受物理启发的方法来推断定向时间网络中的动态排名，该网络中的每个定向和打上时间戳的边反映了一对交互的结果和时间。我们的方法通过求解一组线性方程来推断每个节点的排名，其取值为实数，并随着每条新边的增加或降低（如胜利或失败），引发或降低节点的估计强度或声望的变化，这在真实情况下经常观察到，包括游戏序列，锦标赛或动物等级中的交互。我们的方法仅需要调整一个参数，因此对应的算法可扩展且高效。通过评估我们的方法在各种应用程序中（包括合成和真实数据）中预测交互（边的存在）及其结果（边的方向）的能力来测试我们的方法。我们的分析表明，在许多情况下，我们的方法的性能优于现有的预测动态排名和交互结果的方法。

    Jul, 2023

  • 高维网络流量数据中变点的检测和定位

    本文提出了一种称为 TopRank 的新颖有效的方法，用于在高维数据中检测变化点，该方法基于数据降维和基于 U 统计量的非参数变化点检测测试，该方法可应用于网络安全领域的异常检测和定位，并在现实的网络数据上进行了验证。

    Aug, 2009

  • 统计网络分析中的基本模型和问题

    研究了三个网络的概率模型：随机块模型中的社区检测，随机几何图的嵌入以及优先附着树中的初始顶点，并探讨了很多与概率论相关的有趣话题，如泊松瓮，大偏差理论、高维度测度集中、熵集中极限定理等。

    Sep, 2016

  • 通过边选择优化 PageRank

    本文介绍了如何通过控制节点之间的边来优化 PageRank 的方法，其核心方法是基于线性规划和贪心算法，并且在给定互斥边的情况下，此问题是 NP 困难问题。

    Nov, 2009

  • 在考虑然后选择的排名模型中确定界限概率

    个体在选择过程中首先从候选集中选择一些子集进行考虑，然后再从考虑集中进行选择，本文通过推断无法观测到的考虑集合来解决遇到的问题，并且使用 Plackett-Luce 模型和已知的项目效用来推断项目的考虑概率的上下界，同时提供算法以增强这些概率的界限，从而表明可以通过边界推断学习到关于考虑概率的有用信息。

    Jan, 2024

  • NodeTrans: 一种用于交通预测的图传递学习方法

    本文提出了一种新颖的迁移学习方法来解决交通预测中的数据稀缺性问题，该方法通过构建空间 - 时间图神经网络和基于模式的迁移策略来捕捉不同道路网络的节点特定的空间 - 时间流量模式，并在真实数据集上验证了其有效性。

    Jul, 2022

  • 具有相关信念的最优学习顺序交通网络设计算法

    本研究提出了一种结合顺序公交网络设计和最优学习的人工智能驱动算法，以逐步扩大路线系统并更新当前的操作员使用的知识，验证表明，考虑相关性的探索可以实现比贪婪选择更好的性能，在未来的研究中，该问题可能加入更多复杂性如出行时间弹性、换乘次数无限制和扩展成本等方面。

    May, 2023