ScholarGate
Pembantu
Machine learningNetwork science

Analisis Penyebaran Rangkaian Bayesian

Analisis Penyebaran Rangkaian Bayesian mengaplikasikan inferens probabilistik Bayesian kepada kajian tentang bagaimana maklumat, penyakit, tingkah laku, atau inovasi tersebar melalui suatu rangkaian. Dengan meletakkan prior ke atas parameter penyebaran dan mengemas kininya dengan data lata yang diperhatikan, ia mengukur kadar transmisi, mengenal pasti penyebar berpengaruh, membina semula laluan penyebaran laten, dan menyediakan anggaran ketidakpastian penuh — semuanya dalam rangka kerja statistik yang berprinsip.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

The neighbourhood of related methods — select a node to explore.

Sumber

  1. Gomez Rodriguez, M., Leskovec, J., & Scholkopf, B. (2012). Structure and Dynamics of Information Pathways in Online Media. Proceedings of the 6th ACM International Conference on Web Search and Data Mining (WSDM), 23–32. DOI: 10.1145/2433396.2433402
  2. Kitsak, M., Gallos, L. K., Havlin, S., Liljeros, F., Muchnik, L., Stanley, H. E., & Makse, H. A. (2010). Identification of influential spreaders in complex networks. Nature Physics, 6(11), 888–893. DOI: 10.1038/nphys1746

Cara memetik halaman ini

ScholarGate. (2026, June 3). Bayesian Network Diffusion Analysis (Probabilistic Inference on Contagion and Spreading Processes). ScholarGate. https://scholargate.app/ms/network-analysis/bayesian-network-diffusion-analysis

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Dirujuk oleh

ScholarGateBayesian Network Diffusion Analysis (Bayesian Network Diffusion Analysis (Probabilistic Inference on Contagion and Spreading Processes)). Dicapai 2026-06-15 daripada https://scholargate.app/ms/network-analysis/bayesian-network-diffusion-analysis · Set data: https://doi.org/10.5281/zenodo.20539026