Expectation-Maximizing Network Reconstruction and MostApplicable Network Types Based on Binary Time Series Data
基于二元时间序列的期望最大化网络重构及适用网络类型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以社会感染中的网络重构及二体、三体相互作用为核心，直接对应网络与干扰方向，未涉及其他细分领域的明确问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于二元时间序列的期望最大化网络重构及适用网络类型
- 研究问题
- 如何利用社会感染动态的二元时间序列，重构同时含二体和三体相互作用的二维单纯复形，并确定框架适用的网络类型？
- 方法与思路
- 作者结合最大似然与期望最大化算法，以向量化计算估计边存在概率和邻接矩阵，并采用两步方案降低计算量、改善重构。
- 材料陈述的贡献
- 摘要称，框架在若干网络类型上取得较好重构效果，两步方案显著减少计算，并考察噪声、随机干扰及超参数的影响。
- 阅读关注点
- 应核对二体与三体作用的观测模型、网络可识别性、两步方案的细节，以及不同网络和噪声条件下的重构评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出四类有效网络及具体结果，稳健性结论的条件也未说明。
原文摘要
Based on the binary time series data of social infection dynamics, we propose a general framework to reconstruct 2-simplex complexes with two-body and three-body interactions by combining the maximum likelihood estimation in statistical inference and introducing the expectation maximization. In order to improve the code running efficiency, the whole algorithm adopts vectorization expression. Through the inference of maximum likelihood estimation, the vectorization expression of the edge existence probability can be obtained, and through the probability matrix, the adjacency matrix of the network can be estimated. We apply a two-step scheme to improve the effectiveness of network reconstruction while reducing the amount of computation significantly. The framework has been tested on different types of complex networks. Among them, four kinds of networks can obtain high reconstruction effectiveness. Besides, we study the influence of noise data or random interference and prove the robustness of the framework, then the effects of two kinds of hyper-parameters on the experimental results are tested. Finally, we analyze which type of network is more suitable for this framework, and propose methods to improve the effectiveness of the experimental results.