[论文解读] Modeling Dynamical Influence in Human Interaction Patterns
本文提出了一种动态影响模型，仅通过观测的时间序列数据即可推断社会系统中实体之间随时间变化的影响，即使底层网络结构未知。通过在隐状态之间切换参数来建模影响，该方法成功捕捉了传播模式的动态变化——例如节假日期间长距离流感传播的增加——展示了从观测数据中稳健推断因果影响的能力。
How can we model influence between individuals in a social system, even when the network of interactions is unknown? In this article, we review the literature on the "influence model," which utilizes independent time series to estimate how much the state of one actor affects the state of another actor in the system. We extend this model to incorporate dynamical parameters that allow us to infer how influence changes over time, and we provide three examples of how this model can be applied to simulated and real data. The results show that the model can recover known estimates of influence, it generates results that are consistent with other measures of social networks, and it allows us to uncover important shifts in the way states may be transmitted between actors at different points in time.
研究动机与目标
- 当交互网络未知时，建模社会系统中个体之间的相互影响。
- 开发一种方法，捕捉影响动态随时间的变化，特别是在节假日等情境变化下的响应。
- 仅从观测的时间序列数据中推断因果影响路径，而无需直接依赖网络结构。
- 在合成数据和真实世界数据（包括小组讨论和流感疫情趋势）上验证该模型。
提出的方法
- 该模型采用隐马尔可夫框架，每个实体具有基于条件发射概率（高斯或多项式）生成可观测信号的隐状态。
- 通过切换参数 rt 选择多个影响矩阵 R(j)，每个矩阵代表一种不同的影响动态模式。
- 影响矩阵 R(j) 定义了每个实体的状态如何受其邻居的影响，时变参数捕捉了网络拓扑的变化。
- 使用贝叶斯框架结合变分推理，对隐状态和切换参数的后验分布进行推断。
- 通过引入时间顺序和交互的非对称性，提升对静态或横断面数据的因果推断能力。
- 该模型应用于三个数据集：模拟的小组动态、会议中社会感应徽章数据，以及来自 Google Flu Trends 的每周美国流感活动数据。
实验结果
研究问题
- RQ1当底层社交网络未知时，如何推断个体之间的相互影响？
- RQ2影响模式如何随时间变化，特别是在节假日等外部事件影响下？
- RQ3该模型能否仅从时间序列数据中恢复已知的影响路径？
- RQ4该模型在多大程度上能检测到传播动态的变化，例如季节性事件期间长距离影响的变化？
- RQ5该模型在捕捉现实社会动态方面，与其它网络推断方法相比表现如何？
主要发现
- 在模拟数据中，该模型成功恢复了已知的影响路径，证明了仅从时间序列数据中推断隐含影响结构的准确性。
- 在社会感应徽章数据中，该模型识别出影响具有非对称性和时间依赖性，某些个体在小组讨论的特定阶段具有更大影响力。
- 在节假日期间，该模型检测到流感传播动态发生显著变化，美国地理上相距较远的地区之间长距离影响增加。
- 切换参数 rt 的后验概率在圣诞节达到峰值，表明影响模式发生不连续变化，这与人员流动和社交混合增加相关。
- 该模型识别出三种不同的影响矩阵——两种分别对应正常季节和节假日期季——准确捕捉了美国各地区流感传播能力的变化。
- 结果与已知的流行病学模式一致，表明节日期相关的移动显著改变了疾病传播动态，即使未显式建模。
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。