扩展持久同调高精度区分简单与复杂传播

社会传播文献区分了简单传播（通过边传递感染的独立级联或键逾渗过程）和复杂传播（需要局部强化才能传播的自举逾渗或阈值过程）。然而，在实践中使用观测数据区分简单和复杂传播是一个重大挑战。从观测到的传播动力学中估计群体层面的激活函数受到混杂因素（除邻域交互外影响采纳的因素）、个体行为异质性以及建模差异的阻碍，这些因素使得设计合适的零模型来推断传播类型变得困难。在此，我们展示了来自拓扑数据分析（TDA）的一种新工具，称为扩展持久同调（EPH），当应用于网络上的传播过程时，能够有效检测简单和复杂传播过程，并预测其参数。我们使用基于EPH的拓扑摘要，在三个真实世界网络数据集上模拟的简单和复杂传播动力学上训练分类和回归模型，并在广泛的传播参数范围以及多种信息约束（包括模型参数不确定性、噪声和传播动力学的部分可观测性）下获得了高预测性能。EPH捕捉了观测到的传播动力学中不同长度循环的作用，并提供了一个有用的度量来对传播模型进行分类并预测其参数。使用EPH等TDA工具分析网络传播的几何特征，可以在其他网络问题中找到应用，例如种子选择、疫苗接种和隔离优化，以及网络推断和重建问题。