Social Networks
PulseAugur coverage of Social Networks — every cluster mentioning Social Networks across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
图神经网络为社交网络影响力最大化提供无监督解决方案
研究人员开发了一个新的无监督图神经网络（GNN）框架，以解决最小支配集（MDS）问题，这对于社交网络中的影响力最大化至关重要。这种新颖的方法在训练过程中无需真实标签解，从而提高了效率。在合成图上训练时，与现有方法相比，GNN实现了显著更快的推理速度，并在真实社交网络基准测试中表现出色，表明其在大规模分析中的实际应用潜力。
-
深度学习系统利用多源数据增强信用风险预警
研究人员设计了一种新颖的信用风险预警系统，该系统利用深度学习和多源异构数据。该系统整合了交易行为和社交网络数据，并使用深度神经网络和注意力机制来识别企业和个人信用风险。测试表明，与传统的基于规则的系统相比，该方法显著提高了风险预警的准确性和及时性，为金融稳定提供了实际效益。
-
新的GNN模型以更少的参数对网络节点进行介数中心性排序
研究人员开发了一种新的图神经网络（GNN）架构，称为Degree-Mass Message Passing，旨在高效地对大型网络中的节点按介数中心性进行排序。该模型利用节点重要性与多跳度数质量之间的关系，使用度数质量作为大小不变特征。通过在模仿真实世界网络特征（包括有向和无向无标度网络）的合成图上进行训练，该方法提高了泛化能力。在14个真实世界网络上的实验表明，与现有的GNN基线相比，排序相关性有了显著提高，同时参数量大幅减少，推理时间也更快。
-
大型语言模型驱动的框架模拟疫苗意见动态
研究人员开发了一个新框架，将大型语言模型（LLM）集成到基于智能体的建模中，以模拟复杂的社会现象。该框架以疫苗意见动态为例进行了演示，利用 Qwen3_8B LLM 来模拟具有不同个人资料和社交网络的智能体。该研究探讨了不同认知模块（如记忆和提示多样性）对涌现意见和社会影响的影响，验证了该框架重现观察到的非线性行为的能力。
-
社交网络中的AI传染：新研究探讨信息风险
一项新的研究论文探讨了人工智能（AI）与社交传播网络之间复杂的相互作用，重点关注AI生成的内容如何破坏集体知识的稳定。该研究引入了“AI传染”和“社会失真乘数”的概念，以解释AI驱动的信息如何放大错误和扩散失真。研究人员确定了一个关键的监管阈值，该阈值取决于网络拓扑结构，它决定了维持信息稳定和减轻系统性风险所需的最低过滤水平。
-
研究人员分析社交网络中的多数派幻觉检测
研究人员分析了社交网络中的“多数派幻觉”现象，即少数派观点可能显得占主导地位。他们正式定义了 $q$-多数派幻觉问题，以确定这种幻觉在网络结构中是否可检测。该研究根据不同的网络属性映射了该问题的计算复杂性，旨在了解网络结构如何影响检测这些失真的可行性。
-
美国深度伪造移除法面临审查和受害者援助担忧
美国已颁布一项法律，要求社交网络迅速移除未经同意的图像，包括性爱深度伪造内容。然而，专家们担心该立法可能在帮助受害者方面效果不佳，并可能导致在线审查加剧。