15-outbreak 图机器学习之爆发检测
网络的爆发检测
outbreak detection
近似算法，加速贪婪爬升，证明数据依赖
给一个真实的城市水源分布网络
以及污染物如何再网络中传播的数据
尽可能快的检测到污染物
检测信息的爆发
一般的问题：
1） 两个示例都是同样的潜在的问题
2) 给定一个网络传播的动态过程，我们希望选择一个节点集合来高效的检测过程
更多的应用：
流行病；影响力传播；网络安全
水网络：
放置传感器的用途：水流动力学，家庭需求
下图中的颜色表示不同的应用需求，红，黄，绿 表示不同的影响爆发
给定一个图，outbreak是如何再G中传播的
T(u,i):outbreak i 经过时间t污染到节点u
问题设定：
挑选节点子集S，来最大化期望的奖励？
p(i)： outbreak i出现的概率
f(i)：使用传感器S检测到outbreak i后的奖励
Reward：
1）检测所需的最小时间
2) 检测所需的最小传播距离
3）最小的受感染人群
Cost：（基于实际内容）
1) 读长博客是赓续时间
2）放置传感器在远的地方代价更高
例如图中的例子：监视蓝色的节点比监视绿色的节点更省人力
处罚：
1）检测所需时间 DT
2）检测可能性？ 检测的数量 DL
3) 受污染的部分：例如多少人喝了受污染的水 PA
在所有的例子中，越快检测出来，伤害越少
思想：逐步递减
CELF： 优化的算法
解决方案的质量对数据的依赖性屏障
例子学习，开始开篇时提到的两个例子
首先来看水污染的
传感器放置越多，效果越好
信息传播的例子：
我该阅读那个网站对我提升最大？哪个是最具影响力的网站？
总结
