复杂网络中传播模型综合综述：从确定性方法到深度学习方法
社会与信息网络
2024-10-04 v1
摘要
理解复杂网络中的传播机制对于流行病学和多机器人网络等领域至关重要。本文综述了各种传播模型，从传统的确定性框架到先进的数据驱动和深度学习方法。我们区分了静态网络和动态网络，指出静态模型提供了基础性见解，而动态模型则捕捉真实世界的时序变化。确定性模型如 SIR 框架提供了清晰的数学洞察，但常缺乏对随机性的适应性，而随机模型在提升真实性方面以牺牲可解释性为代价。基于行为的模型关注个体决策，需更多的计算资源。数据驱动方法通过适应不断演变的网络，在处理非线性场景时提高了精度，采用传统模型或无模型机器学习技术。我们探讨了监督学习和无监督学习方法，以及强化学习，这种方法无需预定义数据集。图神经网络 (GNN) 的应用也得到了讨论，突出其在复杂网络中建模传播方面的有效性。本文强调了每种模型类型的关键应用和挑战，强调混合和机器学习方法在当代网络传播问题中的日益重要作用。
引用
@article{arxiv.2410.02118,
title = {A Comprehensive Review of Propagation Models in Complex Networks: From Deterministic to Deep Learning Approaches},
author = {Bin Wu and Sifu Luo and C. Steve Suh},
journal= {arXiv preprint arXiv:2410.02118},
year = {2024}
}
备注
Network Propagation, Machine Learning, De- terministic Model, Model-based Approaches, Model-free Ap- proaches