应用数学与交叉科学研究中心复杂网络团队于2025年12月23日进行每周小组组会，小组全体成员和各位导师共同参加。在这次组会上，由一名研二学生和两名研一学生分别汇报自己的研究进展，然后老师与同学们对汇报内容进行学术探讨，并对存在的问题给出相应的指导和建议。
吴鑫：本次汇报的文献是《DomiRank Centrality reveals structural fragility of complex networks via node dominance》 摘要：确定互联基础设施和复杂系统的关键要素对于确保系统功能性和完整性至关重 要。这项工作量化了网络节点在其各自邻域中的主导地位，引入了一种名为 DomiRank的中心性指标，该指标通过一个可调参数整合局部和全局拓扑信息。 我们提出了DomiRank中心性的解析公式和一种高效的并行化算法，使其适用 于大规模网络。从网络结构和功能的角度来看，具有高DomiRank值的节点突 出了脆弱的邻域，这些邻域的完整性和功能性高度依赖于这些主导节点。为了 强调主导性与脆弱性之间的关系，我们表明DomiRank在生成针对网络结构的 有效攻击方面系统地优于其他中心性指标，这些攻击能够有效破坏合成和真实 世界拓扑的网络结构和功能。此外，我们表明基于DomiRank的攻击对网络造 成的损害更为持久，阻碍了其恢复能力，从而损害了系统韧性。DomiRank中 心性利用其定义中嵌入的竞争机制来揭示网络的脆弱性，为设计缓解脆弱性并 增强关键基础设施韧性的策略铺平了道路。
姜怡然：本次汇报的文献《Fake News Detection using Hashtag Context》主要研究了随着社交媒体平台的飞速发展，用户生成内容呈现指数级增长，信息传播日趋迅速广泛，但同时也助长了虚假信息的扩散，对社会构成潜在危害。现有假新闻检测方法多依赖源帖内容分析、社交互动网络或外部证据，却面临两大瓶颈：一是帖子内容稀疏导致基于文本的分析性能受限，二是社交网络数据并非所有帖子都能获取。此外，社交媒体讨论时常早于主流媒体或知识库更新，使得外部验证信息难以获得。为此，本研究提出标签语境感知假新闻检测（HCFND）模型，通过利用源帖中标签语句下的讨论及从命名实体提取的相关帖子，引入相似兴趣社群的外部信息，实现源帖内容与社群数据的交叉验证。在三个公开基准数据集上的实验表明，该模型性能优于现有最先进方法。
柯露：本次汇报了一篇文献《The Impact of Competitive Opinion on Epidemic Spreading and Its Applications》。社区对流行病的看法已经发挥了作用在控制政府部门中发挥重要作用传染病的传播。然而，最有效的之一分析和理解社区影响的方法关于流行病的离子是为了建立一个有效的数学模型。在本文中，我们提出了一种非线性离散时间动力学调查竞争意见对影响的模型疫情蔓延。对于与合作的社交网络和竞争性互动，充分的条件保证健康平衡和不健康平衡的稳定性是根据基于意见的复制数量获得。通过引入顽固的社区，揭示了流行病的消失或共存取决于社区感染的初始水平。基于真实数据根据对美国居民样本进行的调查，我们采用拟议的非线性流行病-方向模型来探索非药物干预措施对新冠肺炎的影响在人类接触网络、区域旅行网络和芝加哥运输网络。进一步验证了非药物干预措施具有显著的积极性对减少感染的影响。
