网络推理和影响估计的可扩展连续时间扩散框架

提出了一种基于随机算法的影响估计方法，适用于连续时间传播网络，能够高效估计节点影响力。

该方法在大规模实验中显示出高精度和可扩展性，适用于数百万个节点的网络。

研究了基于动态消息传递的算法，替代了高计算复杂度的Monte-Carlo采样方法，提高了计算效率。

提出了一种基于离散网络的连续时间过程模型，用于推断全局扩散网络的边缘和传输速率，预测和抑制感染传播。

利用连续时间马尔可夫链寻找最佳源节点集合，提出高效的近似算法，展示了在合成和真实扩散网络中的优越性。

研究了连续时间扩散模型的网络结构推断问题，开发了有效的软阈值推断算法，证明了其在实践中的优越性。

提出基于神经平均场动力学的学习框架，解决网络扩散的推理和估计问题，显著优于现有方法的准确性和效率。

提出基于采样的影响力最大化方法，避免了网络结构和参数假设带来的误差，保证了较小的近似率。

开发了一种有效的方法追踪信息在网络中的扩散路径，应用于170万个博客和新闻文章，发现信息传播网络的核心-边际结构。

提出新的扩散模型训练方法，结合时间动态信息，增强了多步和长距离的时序预测能力。

研究扩散模型的时间动态性，提供了更直观的可视化和有效性证明。