社会网络演化与意见迁移的协同进化模型
一种共同进化模型，通过将这两种现象建模在一起来闭合回路，该模型包含两个主要组件：节点属性已知时的网络生成模型；和财产迁移模型当社会网络结构已知时。 信息扩散网络中的指导意见动力学
本文提出了一个统一的多元跳跃扩散过程框架，用于网络上的观点动力学建模和确定对此类网络的控制，并表明该框架是鲁棒的，能够控制稳定和不稳定的动力学系统，且收敛速度快，方差小，控制成本低。 扩散网络的在线贝叶斯推理
本文建立了一个描述传染病的模型，并选择了合适的先验分布，并利用蒙特卡罗-马尔可夫链、序贯蒙特卡罗和时间序列分析技术开发了批推理和在线推理算法。 部分可观测社会网络结构与扩散的联合推断
开发了一个称为“DiffStru”的概率生成模型，联合发现网络结构的隐藏链接和忽略的扩散活动，学习到的潜在因素也可能有助于解决社区检测等网络分类问题。 发现主题敏感信息扩散网络
本文提出了主题敏感信息扩散网络的连续时间模型TOPICCASCADE，并根据观测到的时间戳和级联内容推断出隐藏的扩散网络和主题相关的传输速率。 揭示扩散网络的时间动力学
该工作将扩散过程建模为以不同速率发生的连续时间过程的离散网络，并推断出全球扩散网络的边缘，并估计最能解释观测数据的每条边缘的传输速率。 扩散和影响的推断网络
这项工作开发了一种有效的近似算法，该算法可扩展到大型数据集，在实践中提供了可证明的近似最优性能，并确定了最能解释观察到的感染时间的最佳网络。 网络上动态点过程的跟踪
该方法是一个非常适合流式数据的在线学习框架，使用多元Hawkes点过程模型封装社交网络中观察到的事件的自回归特征。 推特信息网络的突发动态
这项工作研究了推特信息网络的完整动态，用户在推特信息网中发布和重新存储信息，同时创建和销毁连接，并开发了一个模型，可以成功预测哪些信息传播事件将导致网络动态爆发。 连续时间扩散网络中的影响最大化
结果表明，在连续时间影响最大化问题中选择最具影响力的源节点集是NP-hard，并开发了一种具有可证明的近最优性能的有效近似算法。 信息传播在社会网络演变中的作用
本文对纵向微博客数据进行了分析，揭示了用户在扩展社交圈时所采用的策略的更微妙的观点，并使用一组与不同链接创建策略相关的参数来描述用户，这些参数是通过最大似然法估计的。 异质影响的学习网络
本文提出了一种基于核的方法，该方法可以在没有任何先验假设的情况下捕获不同范围的不同类型的影响，并表明该模型可以更好地恢复底层扩散网络，大大提高网络实体之间传输函数的估计。 在线社交网络中网络结构与内容生成的协同进化分析
采用基于参与者的连续时间模型，利用马尔可夫链蒙特卡罗（MCMC）联合估计用户社交网络结构及其内容生产行为的共同演化基于模拟方法，并将其应用于大学生的在线社交网络，发现了社会影响和同性恋朋友选择的有力证据。
