用于推断网络中信息源的网络注入方法

已有若干重要模型被开发出来，用于研究信号在生物、社会和工程网络中的扩散。在这些既定框架内，识别传播信号来源的逆问题具有挑战性，因为信号在网络中传播的可能路径众多。在现实世界网络中，确定来源的挑战更加复杂，因为真实的传播动力学通常是未知的，即使被直接测量，也极少符合任何经过充分研究的模型的假设。本文中，我们引入一种名为网络注入（NI）的方法，旨在规避这些问题，使来源推断对大型、复杂的现实世界网络具有实用性。其核心思想是，在许多情况下，要推断网络中的源节点，可能并不需要对扩散动力学进行完整刻画。这一目标通过创建一个能很好地逼近标准扩散模型、但通过设计（通过似然最大化或误差最小化）便于求逆的扩散核来实现。我们将 NI 应用于单源和多源扩散、单快照和多快照观测，以及同质和异质扩散设置。我们证明了 NI 在不同场景下的平均场最优性，并在多个合成网络上展示了其有效性。此外，我们将 NI 应用于一个真实数据应用，即识别 Digg 社交网络中的新闻来源，并证明了 NI 相较于现有方法的有效性。最后，我们提出了一个整合性来源推断框架，将 NI 与基于距离中心性的方法相结合，从而在底层动力学未知的情况下获得鲁棒的性能。