江苏龙网

  1. 首页 > 人文 > >

【神经科学】Nature 历年网络科学文集：网络层次与结构( 四 )


9.从充分但包含噪声的数据中提取网络结构
原题：Network structure from rich but noisy data
类型：Letter
时间：2018 年 3 月 12 日
期刊：Nature Physics
作者：M. E. J. Newman
网址：https://www.nature.com/articles/s41567-018-0076-1
评价：当观察到的数据数量充足但包含噪音干扰 ， 数据不完全或不可靠的情况时 ， 本文提出一个最优化的推测网络结构的技术 。
摘要：随着各学科对网络的兴趣增加 ， 很多关于网络结构的实证研究已在包括互联网 ， 生物学网络以及社交网络中展开 。 这些实验中的数据通常是多模态且数量巨大 ， 但同时包含显著的测量误差 。 对网络结构的精准分析和理解 ， 需要一种能从这样充足但包含噪音的数据中估计网络真实结构的方法 。 本文提出的技术能从以任何格式呈现的复杂数据中 ， 给出对网络结构的最优估计 。 支持的数据格式包括观测的类型多样 ， 重复的观测 ， 相互矛盾的观测 ， 或者在注释及元数据或缺失的数据中 。 应用的案例来自两类社交网络 ， 一种是面对面的互动 ， 另一种来源于自述的朋友关系 。
10.社交网络中的隐藏个人和社群
原题：Hiding individuals and communities in a social network
类型：Article
时间：2018 年 3 月 12 日
期刊：Nature Human Behaviour
作者：Marcin Waniek, Tomasz P. Michalak ? Talal Rahwan
网址：https://www.nature.com/articles/s41562-017-0290-3
评价：Waniel和同事指出个人和社群可以在标准的在线社会网络分析中 ， 仅仅通过改变社会网络的连接来隐藏自身 ， 使其无法被检出 。
摘要：互联网和社交媒体赋能了社会网络分析 。 伴随着持续出现的新的分析方法 ， 可以用这些新方法来分析个人层面的连接 ， 尤其聚焦社群的检测仪器来识别社交网络中的关键个体 。 这带来了隐私上的担忧 ， 在未来会更严重 。 本文提出的问题是 ， 个人或群体能否通过积极的管理自己的连接 ， 来避免被社交网络分析工具检测出？通过回答这个问题 ， 公众能够更好的保护他们的隐私 ， 被压制的激进群体也能够更好的隐藏其的存在 ， 安全机构可以更好的查明恐怖分子是如何逃脱检测的 。 本文先探讨个体如何避免被中心度相关的分析检出 ， 同时最小化其对他造成的影响 。 本文证明该问题的最优方法在计量上是困难的 。 尽管如此 ， 本文还是指出即使一个简单但具启发的方法 ， 即只关注一个节点的直接邻居 ， 在实践中会出乎意料的有用 ， 例如可以轻易掩饰Mohamed Atta在世贸恐怖袭击者网络中的领导位置 。 本文还指出一个社群如何能够增加其被社群检测算法所忽略的概率 。 本文提出了对隐藏性的度量指标 ， 描述一个社群能够在多好的情况下隐藏自身的存在 ， 并用其来论证一个简单的启发式方法 ， 即群体中的成员以某种一致性的方式 ， 取关其他成员 ， 或关注一些其他成员 ， 可隐藏其社群的存在 。
11.实际影响力模型下的社会影响力的最大化
原题：Social influence maximization under empirical influence models
类型：Letter
时间：2018 年 5 月 21 日
期刊：Nature Human Behaviour
作者：Sinan Aral & Paramveer S. Dhillon
网址：https://www.nature.com/articles/s41562-018-0346-z
评价：Aral和Dhillon指出在一类影响力最大模型 ， 该模型包含了现实世界中社交网络中更真实的特征 ， 相比传统模型 ， 能够对影响力传播给予显著更优的预测 。
摘要：社会影响力最大化模型试图找出一种能够用追踪的影响个体（节点） ， 来最大化信息和行为使其在社交网络中传播的方法 。 然而 ， 尽管实验表明 ， 网络连通性和影响力和受影响可能性（susceptibility ）的联合概率分布是影响社交影响力的重要机制 ， 当前大部分的影响力最大化模型并没有引入这些特征 。 本文提出一类基于实际情况的影响力模型 ， 并在6个模拟的 ， 和6个真实的尺寸但结构不同的社交网络中 ， 研究其对影响力最大化的影响 。 研究发现忽略网络连通性和影响力和受影响可能性的联合概率分布 ， 会导致传统模型 ， 对于固定大小的seed set（关键节点集合） ， 平均低估21.7%的影响力的传播程度 。 传统模型和本文的模型会产生显著不同的关键节点集合 ， 其中重叠的部分只占19.8% 。 本文模型找到的最优（传播）种子相比来说更加不是强连接或位于中心的节点 ， 而是更加内聚 ， 嵌入在其所处的结构中 。 因此本文提出的模型对找出社交网络中 ， 更真实的关键影响者集合更具潜力 ， 并能指导用于在社交网络在传播信息或影响态度和行为的干预方案的设计 。


推荐阅读


上一篇：希腊新增新冠肺炎病例11例暂停飞往返意大利北部航班

下一篇：二手房@阿里当起了“二手房中介”一套房能省十几万？