集智

核心速递:

  • 基于去中心化染色的复杂网络节点多样化;

  • 路径选择和事件驱动修正的微观决策模型;

  • 自愈路网:城市道路网交通事故的自组织管理策略;

  • 异构信息网络中的高阶聚类;

  • 用于C-拆解问题的自旋玻璃模型;

  • 利用Nagel-Schreckenberg模型研究反向车道使用的起源;

  • 迈向社会媒体的去中心化;

  • Stack Overflow不同性别的参与和回报差异;

  • 核心-边缘链路预测;

  • 针对不完整结构信息的属性网络嵌入;

基于去中心化染色的

复杂网络节点多样化

 

原文标题:

Node Diversification in Complex Networks by Decentralized Coloring

地址:

http://arxiv.org/abs/1811.11197

作者:

Richard Garcia-Lebron, David J. Myers, Shouhuai Xu, Jie Sun

摘要: 我们开发了一种去中心化染色是、方法,以使复杂网络中的节点多样化。关键是引入了一个局部冲突指数,该指数测量每个节点产生的颜色冲突,只能使用本地信息进行有效计算。我们通过合成网络和现实世界网络证明,所提出的方法明显优于随机着色,如通过最大颜色引起的连通分量的大小所测量的。有趣的是,对于无标度网络,可以通过调整局部冲突指数中的度偏置加权参数来实现多样性的进一步改善。

 

路径选择和事件驱动修正

的微观决策模型

原文标题:

A Microscopic Decision Model for Route Choice and Event-Driven Revisions

地址:

http://arxiv.org/abs/1811.11295

作者:

Markus Rausch, Martin Treiber, Stefan Lämmer

摘要: 我们提出了一种基于离散选择理论的路径选择微观决策模型。重叠路线的相关性明确地包含在效用的随机部分中。为了计算效率,我们将选择集限制在下一个交叉点的转弯可能性,假设之后到目的地的最短路径。建议的决策模型还考虑交通状况(例如交通灯,长队),以便驾驶员可以修改他们先前做出的决定。

由于其与已有的微观交通流模型的兼容性,可以使用可用的软件容易地模拟所提出的路线选择模型。组合起来,所提出的决策模型具有实际行为,即基于不完整信息的自适应选择,并且同时允许直接实现。

自愈路网:城市道路网交通

事故自组织管理策略

原文标题:

Self-Healing Road Networks: A Self-Organized Management Strategy for Traffic Incidents in Urban Road Networks

地址:

http://arxiv.org/abs/1811.11300

作者:

Markus Rausch, Stefan Lämmer, Martin Treiber

摘要: 我们为交通灯控制的道路网络中的事故提出了一种新颖的自组织交通管理策略。在事故期间,它通过限制或跳过绿色时间来调节流入已经拥挤的路段。同时,剩余的绿灯时间用于自由转弯方向。通过这种方式,驾驶员可以通过修改他们最初选择的路线来利用未使用的道路容量并绕过拥挤区域。因此,一旦所有受影响的交通流量沿着剩余的道路容量重新分配,网络就“自行治愈”。

驾驶员的路线选择通过离散选择理论建模,并考虑下一个可观察交叉口的信号。为此,我们提出了一种面向事件的决策的微观路径选择模型。随后,我们在网格和实际规模的道路网络中检查四种不同的事件情景,并比较固定时间和交通依赖的交通灯控制,使用和不使用自我修复策略。因此,自我修复策略可以在事件发生期间和之后显著降低车辆累积,因为它有效地抵抗了受干扰网络中的堵塞效应。

异构信息网络中的高阶聚类

原文标题:

Higher-Order Clustering in Heterogeneous Information Networks

地址:

http://arxiv.org/abs/1811.11320

作者:

Yu Shi, Xinwei He, Naijing Zhang, Carl Yang, Jiawei Han

摘要: 作为在现实世界中广泛应用的一种复杂网络,异构信息网络(HIN)通常封装高阶交互,这些交互关键地反映了现实世界数据中节点和边之间的复杂性。在HIN中建模高阶交互通过提供信息的信息集合来促进用户引导的聚类问题。同时,网络主题已被广泛用于揭示同构网络中的高阶交互和网络语义。

因此,将图案的使用扩展到HIN是很自然的,我们通过使用图案来解决HIN中用户引导聚类的问题。我们强调了全面建模高阶交互的好处,而不是将复杂关系分解为成对交互。我们提出了MoCHIN模型,该模型适用于任意形式的HIN基序,这在HIN中的应用场景中经常是必需的,因为它们在异质性中封装了丰富多样的语义。

为了克服维数的诅咒,因为在我们的模型中随着节点数量的增加,张量大小呈指数增长,我们提出了一种有效的MoCHIN推理算法。在我们的实验中,MoCHIN在不同指标下的三个评估任务中超过了所有基线。在监督薄弱时我们的模型的优势也在另外的实验中讨论。

用于C-拆解问题的自旋玻璃模型

 

原文标题:

Spin-glass model for the C-dismantling problem

地址:

http://arxiv.org/abs/1811.11394

作者:

Shao-Meng Qin

摘要: C-拆解(CD)问题旨在找到图G(V,E)之后的最小顶点集D,其中剩余图将分解为大小不大于C的连通分量。在本文中,我们介绍了具有C + 1整数值状态的旋转玻璃模型进入CD问题,然后通过复制对称ansatz下的置信传播(BP)方程研究该自旋玻璃模型的性质。我们在常规随机图和鄂尔多斯 – 仁义随机图上给出了有限C的D的相对大小的下限 rhoc 。我们发现随着C的增长, rho_c 将逐渐减少,并且收敛到 rhoinfty 为C to infty 。当C是| V |的小有限分数时,CD问题被称为拆解问题。因此, rho_ infty 也是| V | to infty 时拆解问题的下限。为了降低BP方程的计算复杂度,在知道随机选择的顶点属于大小为A的剩余连通分量的概率时,原始BP方程可以简化为只有三个状态的一个,当C 时 infty 。

简化的BP方程非常类似于反馈顶点集旋转玻璃模型的BP方程[H.-J.~Zhou,Eur。物理学。 J. B 86,455(2013)]。最后,我们基于原始BP方程(CD-BPD)和简化BP方程(SCD-BPD)开发了两种实用的置信传播引导抽取算法,以解决某图上的CD问题。我们的BPD算法和另外两种最先进的启发式算法应用于各种随机图和一些现实世界网络。计算结果表明,在小C的情况下,CD-BPD在所有测试算法中是最好的。但是考虑到性能和计算消耗,我们建议在C大时使用SCD-BPD用于具有小聚类系数的网络。

利用Nagel-Schreckenberg模型

研究反向车道使用的起源

原文标题:

Study on Origins of Reverse Lane Usage using Nagel-Schreckenberg Model

地址:

http://arxiv.org/abs/1811.11398

作者:

Toshihiro Noda, Yasuhiro Hieida, Shin-ichi Tadaki

摘要: 在有两条车道的高速公路上,要求车辆在慢车道上行驶,并允许在快车道上行驶以进行超车。然而,在真正的双车道高速公路上,我们每天都会观察到一种称为“反向车道使用”的现象,其中快车道上的流量超过慢车道上的流量。这种现象的起源尚未得到清楚的讨论。

在本文中,我们研究了Nagel-Schreckenberg模型的双车道扩展。我们采用两种类型的换道规则:德国和日本类型。德国人通过慢车道禁止在快车道上超车。相反,日本式允许通过两条车道超车。如果两个车道允许相同的最大速度,则通过慢车道的超车抑制是反向车道使用的关键。如果快车道上的最大速度比慢车道上的最大速度快,则在日本类型中观察到反向车道使用。还讨论了随机性对车道变换,混合动力卡车和乘用车的影响。

迈向社会媒体的去中心化

原文标题:

Towards Decentralization of Social Media

地址:

http://arxiv.org/abs/1811.11522

作者:

Sarang Mahajan, Amey Kasar

摘要: Facebook使用人工智能来定位具有广告的用户,这些广告基于他们参与的事件,如分享,喜欢,评论,朋友发布的帖子,群组创建等等。每个用户以不同的方式与这些事件交互,从而接收由Facebook的智能系统策划的不同推荐。 Facebook将其用户隔离进了商会,将他们分割成了社区。该技术彻底改变了营销领域。然而,它引起了我们有限的注意力的竞争,其动机是赚取越来越多的钱。

Facebook不是一个中立的产品。它被编程为让用户沉迷于它,其目标是获得关于用户的附加信息并优化根据他或她的偏好提供给用户的推荐。本文描述了Facebook的推荐系统如何运作,并提出了三种方法来保护Facebook和其他公司利用的漏洞。

Stack Overflow不同性别的

参与和回报差异

原文标题:

Gender Differences in Participation and Reward on Stack Overflow

地址:

http://arxiv.org/abs/1811.11539

作者:

Anna May, Johannes Wachs, Aniko Hannak

摘要: 编程是劳动力市场中的一项宝贵技能,使得计算中妇女代表性不足的问题日益突出。在线问答平台在这一领域具有双重目的:它们形成了一个有用的参考和学习工具,为个人提供了展示可信,可验证的专业知识的机会。因此,在网站精英中,男性网站设计或男性人数过多等问题可能会加剧女性在IT中代表性不足的问题。

在本文中,我们审计了Stack Overflow中男女之间行为和结果的差异,Stack Overflow是这些问答网站中最受欢迎的。我们观察到男性和女性参与平台的方式存在显著差异,以及他们的成功程度。例如,普通女性拥有大约一半的声誉点,这是网站成功的主要衡量标准。

使用Oaxaca-Blinder分解,一种通常用于分析群体间工资差异的计量经济学技术,我们发现男性和女性之间成功的差距大部分可以通过他们在网站上的活动差异和这些活动的差异来解释。获得奖励。具体来说,1)男性给出的答案比女性多,2)平均得到的回答更多,即使控制可能的混淆因素,如任期或买入网站。女性每个问题都会提出更多问题并获得更多奖励。最后,我们根据这些行为差异对该网站的评分系统进行了假设性的重新设计,将声誉差距缩小了一半。

核心-边缘链路预测

原文标题:

Core-fringe link prediction

地址:

http://arxiv.org/abs/1811.11540

作者:

Austin R. Benson, Jon Kleinberg

摘要: 数据收集通常涉及对较大系统的部分测量。在收集网络数据的过程中出现了一个常见的例子:我们经常通过记录一小组核心节点之间的所有交互来获取网络数据集,因此我们最终得到了由这些核心节点和潜在的核心节点组成的网络的测量结果。更大的边节点集链接到核心。鉴于这种组装网络数据的过程无处不在,理解这种核心边结构的作用变得至关重要。

在这里,我们研究边节点的包含如何影响网络链路预测的标准任务。人们可能最初认为包含任何附加数据是有用的,因此包括所有可用的边节点应该是有益的。但是,我们发现这不是真的;实际上,用于预测的边节点的值存在显著的可变性。在一些数据集中,一旦选择了算法,包括来自边的任何附加数据实际上可能损害预测性能;在其他数据集中,包括一些边信息在预测性能饱和甚至下降之前是有用的;在其他情况下,包括整个边导致最佳性能。虽然这种变化看起来令人惊讶,但我们表明这些行为是通过简单的随机图模型展示的。

针对不完整结构信息

的属性网络嵌入

 

原文标题:

Attributed Network Embedding for Incomplete Structure Information

地址:

http://arxiv.org/abs/1811.11728

作者:

Chengbin Hou, Shan He, Ke Tang

摘要: 属性网络通过将广泛可访问的节点辅助信息的一部分编码为节点属性来丰富纯网络。通过考虑结构和属性信息,每个节点学习的矢量a.k.a.网络嵌入(NE)表示最近引起了相当多的关注,因为每个节点嵌入仅仅是一个统一的低维矢量表示,其使得链路预测等下游任务更有效,更容易实现。

大多数先前的工作没有考虑具有不完整结构信息的网络的重要情况,然而,这通常会出现在我们的现实世界场景中,例如社会网络中的异常用户故意隐藏自己的友谊。并且不同的网络显然具有不同级别的不完整结构信息,这对平衡两个信息源提出了更多挑战。

为了解决这个问题,我们提出了一种称为属性偏差随机游走(ABRW)的鲁棒NE方法,通过使用转移矩阵使用属性信息来补偿不完整的结构信息。链路预测和节点分类任务在实际数据集上的实验证实了我们的方法对不完整结构信息的不同层次的鲁棒性和有效性。

来源:网络科学研究速递

编辑:孟婕

声明:Arxiv文章摘要版权归论文原作者所有,由complexLY进行翻译整理,未经同意请勿随意转载。本系列在微信公众号和个人博客进行同步更新:

“网络科学研究速递”(微信号netsci)

https://www.complexly.me (提供RSS订阅)

推荐阅读

 

小世界网络之父邓肯·瓦茨经典回顾

解读幂律与无标度网络 | 网络科学入门

无标度网络理论之父Barabási回应质疑

理论危机 | 无标度网络遭到史上最严重质疑

 

 

推荐课程

集智

PC端观看地址:

https://campus.swarma.org/gcou=10388


集智

集智俱乐部QQ群|877391004

商务合作及投稿转载|swarma@swarma.org

◆◆◆

搜索公众号:集智俱乐部

加入“没有围墙的研究所”

集智

让苹果砸得更猛烈些吧!

原文始发于微信公众号( 集智俱乐部 ):集智