我们提出了一种基于神经扩散模型的微观级别的信息传播预测方法，它加入了注意机制和卷积网络的深度学习技术，能够更好地拟合真实世界的传播数据，并实现了相对改进高达 26% F1 分数。
Dec, 2018
通过基于图神经网络的无流模型，我们能够预测由分支故障引起的电力故障级联，评估模型并与其他影响模型进行比较，结果表明该模型优于其他模型，并且降低计算时间近两个数量级。
Apr, 2024
以观察到的级联为基础，通过学习两个低维用户特定向量来预测级联动态，并捕捉他们的影响和易感性，从而更好地模拟依赖于上下文因素的信息传播效果。
Oct, 2013
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
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
提出了一种基于注意力机制的新方法来学习输电线路之间的相关性，并通过该方法识别最关键的输电线路，该方法通过 Attention Ranking 算法来评估输电线路的重要性，从而提供了一种改善电网对级联故障的韧性的新型有效分析，广泛的实验结果证明了其有效性。
May, 2024
本文探讨了在社交网络的动态领域中信息传播的至关重要性，强调了信息传播模型在揭示数字时代数据传播复杂性方面的关键角色。通过阐明这些模型的深远影响，它不仅奠定了探索各种等级及其表现形式的基础，而且成为进一步研究该领域的催化剂。
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
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
研究了在图上使用表示学习来辅助信息扩散预测的问题。引入了一种新的数据模型 diffiusion topologies，设计了 Topo-LSTM 来模拟动态有向无环图，并在真实数据中表现出优异的表现。
Nov, 2017