Network Diffusion -- Framework to Simulate Spreading Processes in Complex Networks

随着计算网络科学的进步，其研究范围已经显著扩展，不再局限于静态图形，而是涵盖了更复杂的结构。流式、时间性、多层和超网络方法的引入带来了新的可能性并增加了额外的要求。例如，通过利用这些进展，可以更加精细地模拟社交网络等结构，这在传播过程的模拟中尤为重要。不幸的是，进展的速度往往对现有的计算包来说过于迅速，无法跟上功能更新的步伐。这导致研究人员使用的工具显著增多，因此缺乏一个普遍接受的技术栈来标准化实验方法（例如在机器学习中看到的情况）。本文通过介绍Network Diffusion库的扩展版本来解决这个问题。首先，展示了用于模拟传播现象的现有方法和工具包的调查，然后概述了框架的功能。最后，我们报告了使用该软件包进行的四个案例研究，以展示其有用性：卫生措施对COVID-19传播的影响，比较两个时间网络模型中信息扩散的效果，以及在多层网络中影响最大化任务中种子选择方法的有效性。我们以对该库的批判性评估和待解决的标准化研究环境的挑战的概述来结束本文。

解决问题的问题是如何标准化计算网络科学研究环境？

Network Diffusion库的扩展版本，旨在为计算网络科学研究提供统一的技术栈，以标准化实验方法，实现更精细的模拟结构，如社交网络等。

实验设计了四个案例研究，包括COVID-19的卫生措施对传播的影响，两个时间网络模型上信息扩散的比较，以及在多层网络中影响最大化任务中种子选择方法的有效性。文章还对库进行了批判性评估，并概述了标准化计算网络科学研究环境仍需面对的挑战。

最近的相关研究包括：1.《动态网络传播模型的比较研究》；2.《多层网络影响最大化的研究进展》；3.《基于元路径的社交网络影响力最大化算法》。