真实传播层 · G
模拟器用于生成级联和实验真值，源推断器不能读取完整边集。
未感染
已感染
传感器
右图中缺失的边
PR-SD concept lab / observation model
一次传播，两种视角
完整图负责产生实验中的真实传播；不完整图是部署和源推断实际使用的拓扑。快照连接这两层，但不会恢复缺失边。
50%
演示阈值；正式实验为 10%
≠
在完整图上生成状态，不等于把完整图交给算法。
模拟器用完整边集产生真实级联；算法获得感染节点集合、传感器记录和缺边拓扑。它看见“谁感染了”，但仍不知道所有“谁与谁相连”。
1
先从同一个真实网络中隐藏四条边，得到算法可获得的不完整图。
感染 0 / 10算法可见层 · Gδ
PageRank 部署和候选源推断所使用的结构不完整图。
节点集合 V 不变
仅教学视角可见
Gδ 上的 PageRank 排名
构造不完整图后，才能在它上面计算 PageRank。
当前推断信息
| 信息 | 算法可用 | 当前内容 |
|---|
PageRank 在这里做什么
R′ = c(APRTR′ + EPR)
APR 来自 Gδ，而不是完整图 G。公式给每个节点一个结构排名。给定预算比例 ρ，PR-SD 取排名前 m = ⌈ρn⌉ 个节点作为传感器集合 Om。
它只回答“传感器放在哪里”，不直接回答“源在哪里”。
形成快照后发生什么
- 从真实传播中记录感染集合 Iσ。
- 读取已感染传感器的时间戳和发送者。
- 把 Iσ 与 Gδ 组合为推断输入。
- 只在感染的非传感器节点中比较候选源。
三道理解检查
完成交互后再作答。反馈会指出概念混淆发生在哪里。
1
真实传播在完整图 G 上发生，是否意味着推断器获得完整边集 E？
2
快照最关键地提供了什么？
3
为什么这仍是不完整网络上的源检测？
论文中可采用的任务边界
本文研究的是：给定全局受影响节点快照和结构不完整的可用网络，利用预先部署传感器记录的信息估计单一传播源。这比“仅根据不完整网络寻找源”更准确，也不会让人误解为推断器获得了完整图。