网络是一个最好的数据模型来表示人类行为和交互。比如,社交网络用户可以分享他们的利益和新闻在社交网络平台上,交通用户可以表达他们的共同利益和日常活动轨迹网络和电话网络用户展示他们的社会互动在周期性的水平。在网络科学领域,大量的研究调查了信息流和影响扩散模型在这样的复杂网络。然而,网络的脆弱性尚未充分探讨。网络的脆弱性在网络可能受到多种因素的影响,例如,用户的删除可能会导致的断开网络,或网络的通信成本高;添加用户可能丰富网络,这样可以很大程度上降低沟通成本;改变路径的网络内容也不同网络中信息的通信流。

这是非常具有挑战性的诊断复杂网络的脆弱性。传统作品付出巨大的努力去发现有影响力的用户或种子用户在不同情况下使用指标如中心、介数、和自我网络,或者使用线性阈值模型,独立级联模型,加权定义的路径模型。然而,这些作品仍然集中在影响扩散,而不是在动态环境中网络的脆弱性。此外,研究人员调查是最理想的指标定义的非人类发现网络的脆弱性,可以检索到相关的关键球员。为了解决这个具有挑战性的问题,在机器学习中,概念学习已经成为主要的研究工具在小样本学习研究。概念学习策略旨在执行识别或形成新的概念从几观察虽然快速处理。概念学习使用匹配规则关联的概念概念系统小样本的输入。它非常有助于执行认知或在数据分析完成识别任务。小样本的能力和学到的知识,它可以帮助推动现实关键球员发现模型和有效地找到不同的目标标准的关键球员。

邀请研究人员这个特殊的问题领域的知识系统,数据科学和人工智能提交原始论文讨论,促进思想和实践对先进的复杂的网络管理和分析技术对frangibility-driven关键用户发现。最初的研究和评论文章是受欢迎的。

潜在的主题包括但不限于以下:

• 关键用户与动态网络变化检测模型
• 概念学习从小样本在网络用户分析
• 概念学习从小样本属性填写网络
• 概念学习网络的事件类型消歧
• 新知识概念学习跨多个网络
• 根本原因分析得出的诊断结果,概念学习网络流的变化
• 小说特征检测模型来识别网络的脆弱性
• 高效的计算在复杂网络结构洞
• Top-k影响力用户检测由于网络
• 锚点探索丰富的网络
• 动态网络指标评价
• 社区信息扩散与概念的学习