Sep, 2023

一种模型评估的性能特征曲线：在信息扩散预测中的应用

HTML
PDF
TL;DR社交网络上的信息传播预测旨在预测消息的未来接收者，在营销和社交媒体方面有实际应用。我们提出了一个基于信息熵的度量来量化扩散数据的随机性，然后发现了随机性和模型预测准确性之间的缩放模式。该性能特征曲线提供了一种系统评估模型性能的新方法，为模型评估的未来研究提供了新的视角。
发现论文，激发创造
  • COEVOLVE:信息传播与网络协同演化的联合点过程模型

    该研究通过COEVOLVE模型研究信息传播和网络演化的动态，通过历史数据进行参数学习，证明该模型能够准确预测实际网络传播模式。

    Jul, 2015

  • 基于表示学习的社交媒体信息可信度评估

    本研究提出了一种新的信息可信度评估方法(ICE)，采用表示学习建模社交媒体上用户的可信度、行为类型、时间属性和评论态度，以及机器学习方法区分谣言和非谣言，并在Sina微博数据集上取得了比现有方法更好的实验效果。

    Sep, 2016

  • 基于扩散模式的Twitter谣言真实度判定

    本文探究通过信息传播模式判断未经证实谣言真伪的有效性，并使用图形核从Twitter级联结构中提取复杂的拓扑信息，训练出具有高准确性的预测模型。结果表明，团体的共享模式可以揭示谣言的真相或虚假性，即使在谣言传播的早期阶段。

    Jan, 2020

  • 信息级联分析综述: 模型, 预测和最新进展

    本文综述并分类信息流行度预测方法，包括特征工程、随机过程、图表示和基于深度学习的方法，并总结了现有研究的优缺点以及该领域的挑战和机遇。

    May, 2020

  • 分辨内生和外生观点动态：实验设计方法

    本文提出了一种基于无监督分类方法的事件子集选择方案，以实现对在线社交网络中内生和外生信息的准确定位和更准确的观点预测性能增强。经过实验验证，该方法在观点预测准确性方面显著优于其他竞争方法。

    Feb, 2021

  • 学习曲线的形状：综述

    本综述回顾了学习曲线这一术语的起源并提供了其正式定义。其中，本文最大的贡献是对学习曲线形状的文献进行了综述，讨论了高斯过程的学习曲线，以及影响它们的因素。本文特别关注了学习曲线的非理想形状，这些形状表明随着更多的训练数据，学习性能变差。最后，我们指出了各种值得深入的经验和理论问题。总的来说，我们的综述强调，学习曲线是非常多样化的，并且无法确定一个通用的模型。

    Mar, 2021

  • 数据子群体间机器学习表现非线性相关性

    研究机器学习模型在不同的数据分布下的性能表现，发现在子人群变化时，性能间的相关性呈现“月形”相关性，并且这种非线性相关性受到训练数据中虚假相关的影响，研究结果对机器学习的可靠性和公平性具有应用意义。

    May, 2023

  • 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

  • 理解图上的扩散模型

    本研究聚焦于扩散模型在图中的理解，填补了理论与应用之间的空白。通过对不同扩散和采样技术的实证研究，探讨了噪声、采样方法的选择及神经网络 approximating 函数的复杂性对模型表现的影响。研究结果将有助于深化对扩散模型的理解，并推动其在图机器学习中的应用。

    Aug, 2024

  • 准备、开始、预测！信息传播级联的连续时间动态建模与信息流行度预测

    本研究解决了信息流行度预测中的复杂时间动态建模问题。提出的ConCat方法利用神经常微分方程建模级联中的不规则事件，并将级联事件视为神经时间点过程，有效提升了预测精度。实验表明，ConCat在三个真实世界数据集中都显著优于现有最优基线，改进幅度达2.3%-33.2%。

    Sep, 2024