57 Arbeiten
Die Studie stellt BOPIM vor, einen Bayesian-Optimization-Algorithmus für die Einflussmaximierung in zeitlichen Netzwerken, der durch die Verwendung spezieller Kernel-Funktionen und einer angepassten Akquisitionsfunktion nicht nur eine signifikant schnellere Berechnung als herkömmliche gierige Algorithmen ermöglicht, sondern auch erstmals Unsicherheiten in den optimalen Seed-Knoten quantifiziert.
Die vorgestellte Arbeit führt das Modell „Mixture of Interacting Cascades" (MIC) ein, das mithilfe von markierten mehrdimensionalen Hawkes-Prozessen die komplexe Wechselwirkung zwischen Informationskaskaden und Nutzerverhalten in sozialen Netzwerken gemeinsam modelliert und dabei sowohl eine überlegene Leistung als auch aussagekräftige Visualisierungen ermöglicht.
Diese Arbeit stellt einen großen, longitudinalen Datensatz mit über 75 Millionen Kommentaren und 400 Millionen Abstimmungen aus dem zehn Jahre umfassenden Diskursforum der österreichischen Zeitung DerStandard (2013–2022) bereit, der durch anonymisierte Benutzerdaten und vektorbasierte Textrepräsentationen den Schutz der Privatsphäre gewährleistet und Forschungen zur Diskursdynamik, Netzwerkanalyse und semantischen Auswertung in deutscher Sprache ermöglicht.
Diese Studie entwickelt einen LLM-Agenten-Rahmen, der die US-amerikanische Haltung gegenüber China von 2005 bis 2025 simuliert und zeigt, dass ein „Teufels-Advokat"-Agent die durch Medien framing verursachte negative Tendenz am effektivsten mindert, während die Ergebnisse auch auf modellinterne, geografisch bedingte Vorurteile hinweisen.
Diese Studie zeigt durch eine systematische Prüfung der Google-Rückwärtssuche, dass algorithmisches Gatekeeping die Bekämpfung visueller Falschinformationen erschwert, indem es entlarvende Inhalte oft unter irrelevanten Ergebnissen und wiederholten Falschmeldungen versteckt und dabei ein zeitliches Qualitätsgefälle aufweist.
Die Arbeit stellt VNOIP vor, eine neuartige Methode auf Basis variationaler neuronaler gewöhnlicher Differentialgleichungen mit bidirektionalen Sprung-ODEs und Aufmerksamkeitsmechanismen, die durch die explizite Modellierung kontinuierlicher Zeitdynamiken und von Trendmustern die Vorhersage der Popularität von Informationen in sozialen Netzwerken verbessert.
Die Studie „PixelConfig" analysiert mittels eines Reverse-Engineering-Frameworks die Konfigurationen des Meta-Pixels auf tausenden Gesundheits- und Kontroll-Websites und stellt fest, dass sensible Daten trotz eingesetzter Schutzmechanismen aufgrund standardmäßig aktiver Tracking-Funktionen häufig erfasst werden.
Die Studie zeigt, dass die Geometrie heterogener räumlicher komplexer Netzwerke zu stabilen Grenzen zwischen Meinungsgruppen führt, wodurch eine dauerhafte Koexistenz konkurrierender Ansichten anstelle eines globalen Konsenses ermöglicht wird.
Die Studie untersucht, wie Algorithmen, die virale Inhalte priorisieren, in einem Gleichgewichtsmodell rationaler Nutzer sowohl die Informationsaggregation fördern als auch zu sich selbst verstärkenden, irreführenden Zuständen führen können, in denen falsche Geschichten dauerhaft geteilt werden, und leitet daraus Konsequenzen für das Plattformdesign ab.
Diese Arbeit stellt einen effizienten lokalen Suchalgorithmus vor, der polarisierte Gemeinschaften in signierten Netzwerken unter Berücksichtigung neutraler Knoten identifiziert, eine neuartige Optimierungszielsetzung zur Vermeidung von Größenungleichgewichten einführt und dabei eine lineare Konvergenzrate nachweist.
Der Artikel stellt eine neuartige, abdeckungsorientierte Methode für das aktive Korrelations-Clustering im Cold-Start-Szenario vor, bei der keine initialen Ähnlichkeiten vorliegen, und validiert deren Wirksamkeit durch synthetische und reale Experimente.
Die Arbeit zeigt, dass regulatorische Maßnahmen, die sich ausschließlich auf den durchschnittlichen Behandlungseffekt (ATE) stützen, durch kausales Maskieren getäuscht werden können, was zu erheblicher Ungleichbehandlung führt und eine Regulierung auf Modellebene statt auf Entscheidungsebene erfordert.
Diese Arbeit stellt einen Rahmen vor, der die Transition State Theory mit der dynamischen Netzwerkanalyse verbindet, um diskrete strukturelle Veränderungen wie Fraktionsneuausrichtungen in kleinen Gruppen zu charakterisieren und unter bestimmten Annahmen sogar aus Querschnittsdaten vorherzusagen.
Die Studie analysiert die Polarisierung im r/Brexit-Subreddit und zeigt, dass die verbleibende Nutzerbasis durch Selbstselektion verfestigt ist, während Echo-Kammern und die eigene aktuelle Meinung die vorherrschenden Faktoren für zukünftige Meinungsäußerungen darstellen.
Diese Arbeit stellt ein einheitliches, domänenunabhängiges Framework zur Berechnung des Bus-Faktors vor, das das Problem als kombinatorische Optimierung auf bipartiten Graphen modelliert, die NP-Schwere der exakten Berechnung beweist und effiziente Approximationsalgorithmen sowie einen neuartigen, auf Netzwerkrüstigkeit basierenden Maßstab für eine stabilere Risikobewertung entwickelt.
Die vorgestellte Arbeit stellt DS-DGA-GCN vor, ein adaptives Graph-Lernmodell, das durch die Kombination von Netzwerk-Feature-Scoring und einem dynamischen Graph-Attention-Mechanismus organisierte Gruppen von Fake-Bewertern in dynamischen Netzwerken, insbesondere bei kalten Start-Szenarien, effektiv erkennt.
Die Studie zeigt, dass der Community Notes-Algorithmus von X polarisierende Inhalte systematisch untermoderiert, da er absichtlich nur solche Hinweise priorisiert, die parteiübergreifende Unterstützung erhalten, was potenzielle Risiken für demokratische Wahlen und den öffentlichen Diskurs birgt.
Die Arbeit stellt einen Maximum-Entropie-Ansatz für zeitliche Netzwerke vor, der durch die Faktorisierung in globale Zeitprozesse und statische Kantenwahrscheinlichkeiten geschlossene Formeln für Likelihoods und Netzwerkmetriken liefert und dabei nicht-homogene Poisson-Prozesse zur effektiven Generierung und Modellierung von Interaktionen nutzt.
Die Studie zeigt, dass überlappende Knoten in Netzwerkstrukturen („Circles") in allen Phasen von Infektions- und Verbreitungsprozessen eine signifikant größere Einflusskraft als nicht-überlappende Knoten besitzen, wobei die Definition dieser Kreise sowohl lokale Attribute als auch topologische Bedeutung widerspiegelt.
Die Studie zeigt, dass die Reihenfolge der Bewertung (zunächst Sterne oder Text) die Urteilsbildung von Verbrauchern durch affektive Heuristiken und kognitiven Aufwand polarisiert, wobei dieser Effekt je nach Servicequalität und Produktart variiert und durch große Datenanalysen von Yelp und Letterboxd bestätigt wird.