具有统计置信度的网络扩散源识别
社会与信息网络
2021-06-18 v2 机器学习
机器学习
摘要
网络上的扩散源识别在包括谣言控制与病毒识别的广泛应用中均为根本性问题。尽管该问题近来受到显著关注，多数研究仅聚焦于非常受限的设定，并缺乏对更真实网络的理论保证。我们引入一个用于扩散源识别研究的统计框架，并受假设检验启发开发了置信集推断方法。我们的方法高效产生一个小的节点子集，该子集在无需对网络结构作受限假设下，以任意预先指定的置信水平可证明地覆盖源节点。此外，我们基于网络拓扑与概率性质提出了多种用于推断过程的蒙特卡洛策略，显著提升了可扩展性。据我们所知，这是首个在一般网络上具有实际有用理论保证的扩散源识别方法。我们通过在知名随机网络模型及一个关于 COVID-19 传播的城市间流动网络上的大量合成实验展示了我们的方法。
引用
@article{arxiv.2106.04800,
title = {Diffusion Source Identification on Networks with Statistical Confidence},
author = {Quinlan Dawkins and Tianxi Li and Haifeng Xu},
journal= {arXiv preprint arXiv:2106.04800},
year = {2021}
}