研究人员开发了CascadeNet，一个新颖的机器学习框架，无需指定扩散模型即可从级联数据中恢复隐藏的影响网络。该方法使用基于雅可比矩阵的方法和Neyman-正交去偏来实现准确的网络推断。CascadeNet在各种数据生成过程的模拟中表现出优越的性能，并准确绘制了西班牙的COVID-19传播网络，与现有方法不同，它与移动数据具有良好的相关性。 AI
影响 为理解复杂的扩散过程提供了一种更稳健的方法，可应用于流行病学和市场分析等领域。
排序理由 该集群包含一篇详细介绍新机器学习方法的论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
Many important outcomes unfold as dynamic cascades, including product adoption, disease spread, financial distress, and information diffusion. A central challenge is to recover the hidden influence network behind these cascades. Existing methods typically assume a specific diffus…
arXiv:2606.07483v1 Announce Type: cross Abstract: Many important outcomes unfold as dynamic cascades, including product adoption, disease spread, financial distress, and information diffusion. A central challenge is to recover the hidden influence network behind these cascades. E…