精选理由
做网络推断、因果发现或传染病建模的研究者终于有了一个不依赖模型假设的通用方法——模拟和真实数据都验证了效果，值得直接复现试试。
许多重要现象（如产品采用、疾病传播、金融风险扩散）以动态级联方式展开，恢复其背后的隐藏影响网络是关键挑战。现有方法通常假设特定的扩散模型，当假设错误时性能大幅下降。CascadeNet 提出基于雅可比矩阵的机器学习框架，无需指定扩散机制，通过一步转移函数的雅可比矩阵刻画影响结构，并利用 Neyman 正交去偏实现统计推断。在九种常见数据生成过程的模拟中，CascadeNet 恢复精度最高；在西班牙 52 省 COVID-19 传播的真实案例中，其恢复的网络与真实人口流动网络显著相关，而基线方法无显著对齐。
AI 翻译 · 中文
许多重要现象（如产品采用、疾病传播、金融风险扩散）以动态级联方式展开，恢复其背后的隐藏影响网络是关键挑战。现有方法通常假设特定的扩散模型，当假设错误时性能大幅下降。CascadeNet 提出基于雅可比矩阵的机器学习框架，无需指定扩散机制，通过一步转移函数的雅可比矩阵刻画影响结构，并利用 Neyman 正交去偏实现统计推断。在九种常见数据生成过程的模拟中，CascadeNet 恢复精度最高；在西班牙 52 省 COVID-19 传播的真实案例中，其恢复的网络与真实人口流动网络显著相关，而基线方法无显著对齐。
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 c…