[论文解读] Collective Diffusion Over Networks: Models and Inference
本文提出了一种新颖的框架，用于建模仅观测到聚合节点激活时间与群体层面数据的网络中的集体扩散过程。该方法引入基于优化的推断技术，以超过90%的精确率与召回率学习隐藏的网络结构与传播动力学，其有效性在真实流感传播数据上得到验证，能准确建模传染病传播。
Diffusion processes in networks are increasingly used to model the spread of information and social influence. In several applications in computational sustainability such as the spread of wildlife, infectious diseases and traffic mobility pattern, the observed data often consists of only aggregate information. In this work, we present new models that generalize standard diffusion processes to such collective settings. We also present optimization based techniques that can accurately learn the underlying dynamics of the given contagion process, including the hidden network structure, by only observing the time a node becomes active and the associated aggregate information. Empirically, our technique is highly robust and accurately learns network structure with more than 90% recall and precision. Results on real-world flu spread data in the US confirm that our technique can also accurately model infectious disease spread.
研究动机与目标
- 建模仅可观测到聚合数据与节点激活时间的网络中的集体扩散过程。
- 从有限的聚合观测数据中推断潜在的网络结构与传播动力学。
- 开发稳健的基于优化的技术，以学习隐藏的网络拓扑结构与扩散参数。
- 在真实世界的传染病传播数据（尤其是美国的流感传播）上验证该方法。
- 仅使用时间到激活与群体层面数据，提升社会影响、野生动物传播与交通流动性的建模准确性。
提出的方法
- 提出一种广义扩散模型，将标准过程扩展至具有聚合观测的集体场景。
- 采用优化框架，从观测到的节点激活时间与聚合数据中联合估计网络结构与扩散参数。
- 采用基于似然的推断方法，最大化在模型下观测到的激活时间的概率。
- 引入凸松弛技术，使推断问题可计算且可扩展。
- 应用坐标下降算法，迭代优化网络结构与扩散参数。
- 采用连续时间公式，建模特定时间点的节点激活概率，以捕捉时间动态。
实验结果
研究问题
- RQ1当仅可获得聚合数据与节点激活时间时，如何建模网络中的集体扩散过程？
- RQ2何种优化技术可从有限观测中准确推断隐藏的网络结构？
- RQ3所提出的方法在真实世界场景中能否以高精确率与高召回率恢复网络拓扑？
- RQ4该模型在捕捉真实传染病传播动态（如流感传播）方面表现如何？
- RQ5该方法在野生动物传播与交通流动性等应用中的泛化能力如何？
主要发现
- 该方法在从聚合数据中恢复潜在网络结构方面，精确率与召回率均超过90%。
- 实证评估显示，其在多种合成与真实世界网络配置中均表现稳健。
- 在来自美国的真实流感传播数据上，模型能准确捕捉疾病传播的时间动态。
- 基于优化的推断框架成功从部分观测中学习了网络拓扑与扩散参数。
- 在结构恢复与时间预测准确性方面，该方法优于基线方法。
- 该模型在涉及集体传播的应用（如野生动物传播与交通流动性）中表现出强大的泛化能力。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。