数据驱动的信息传播动力学原理与阈值分析研究

The explosive growth of big data and unlimited expansion of network topology have made complex information system become a hot topic in information science, and mathematical theories and model-integrated computing methods need to be developed for dynamic information systems. In this project, based on data mining and Bootstrap analysis, we will propose the fast and accurate recognition of superspreaders in real networks; Based on percolation theory and entropy, we will explore the critical phenomena and evolution dynamics in nonlinear coupled information systems; Based on statistical mechanism and complex networks, we will solve the high dimensional and dynamic data of complex brain networks. This project engages in interdisciplinary field of mathematics and information systems, and aims to establish data-oriented new model-integrated computing methods.

网络拓扑无限拓展、信息资源爆炸增长迫切需要建立数据驱动的、面向复杂结构与信息高效传输的数学基础理论，以满足信息有序传播、系统高效协同、网络可信服务等高性能需求。本项目拟基于数据挖掘与非参数统计方法，建立真实网络平台上激发信息快速传播的超级传播子快速准确识别方法；基于渗流原理与熵理论，探索信息全局突发涌现的动力学演化机制与阈值分析；基于统计方法与复杂网络理论，实现复杂脑网络系统的高维动态数据处理与功能分析。本项目面向动态网络系统中信息快速传播、信息全局突发涌现、复杂大脑网络功能分析等前沿热点问题，探索动态复杂性的数学原理与相变机制，建立数据驱动的可分析可调控新计算模式。

网络拓扑无限拓展、信息资源爆炸增长迫切需要建立数据驱动的、面向复杂结构与信息高效传输的数学基础理论，以满足信息有序传播、系统高效协同、网络可信服务等高性能需求。本项目面向动态网络系统中信息快速传播、信息全局突发涌现、复杂大脑网络功能分析等前沿热点问题，探索动态复杂性的数学原理与相变机制，建立数据驱动的可分析可调控新计算模式。代表性研究成果包括：.创新地将层间社会强化引入到简单传播模型（SIS）中，发现层间社会强化可诱导两个稳定平衡点的出现，对应于谣言消失和局部爆发状态。同时，发现了磁滞现象，解释了为什么消除来自社交网络的谣言和错误信念是如此之难，对于舆情调控具有潜在应用价值。.基于去除传播冗余边的思想，提出了一种新的超级传播子识别方法，称为Local-Forest方法（LF方法），并将LF方法应用于百万量级的社会网络数据，证实了LF方法在准确识别超级传播子方面优于经典方法。.采用松弛平均场模型rMFM分析大脑衰老过程中各个兴趣区的演化动力学，填补已有研究对初值敏感性分析的空白，并发现了大脑衰老过程中，循环连接强度和皮层下输入强度存在显著差异的兴趣区，在脑部疾病的控制及治疗中具有参考价值。同时，发现了循环连接强度在大脑衰老过程中两种不同的演化趋势——负线性和倒U型轨迹，并指出了特定的兴趣区，对大脑衰老的预防及延缓具有理论支撑。.项目在研期间取得系列研究成果，在国际知名期刊发表SCI论文9篇，国内期刊核心论文1篇，负责人获批国家自然科学基金委优青基金，项目成员分别以第一、五完成人获2022年北京市教育教学成果奖一等奖，项目培养的博士生获2022年北京市优秀博士学位论文。相关研究成果产生国际影响，被选为Highlights（亮点论文），得到包括美国物理协会(APS)的Physics杂志、美国科学促进协会的EurekAlert!杂志、物理学家网（Phys.org）等多家主流科技新闻媒体报道。