核心速递

基于置信度的图卷积网络半监督学习;
利用Twitter数据进行社交焦虑时空分析的工具;
多路网络中阈值驱动传染的重入相变;
保护基于标签的推荐系统免受档案注入攻击：比较研究;
社交媒体情感检测与分析;
低压电网的需求和不确定性建模及非国内消费者的影响;
在线实验中参与者之间的领导者-跟随者等级的涌现;
图的热混合模型学习;

基于置信度的图

卷积网络半监督学习

原文标题：

Confidence-based Graph Convolutional Networks for Semi-Supervised Learning

地址：

http://arxiv.org/abs/1901.08255

作者：

Shikhar Vashishth, Prateek Yadav, Manik Bhandari, Partha Talukdar

摘要： 预测图中节点的属性是各种域中应用程序的重要问题。基于图的半监督学习（SSL）方法旨在通过将一小部分节点标记为种子然后利用图结构来预测图中其余节点的标记分数来解决该问题。最近，图卷积网络（GCN）在基于图的SSL任务上取得了令人印象深刻的性能。除了标签分数之外，还希望具有与它们相关联的置信度分数。不幸的是，之前没有探讨过GCN背景下的置信度估计。

我们填补了本文中的这一重要空白，并提出了ConfGCN，它可以在基于GCN的设置中共同评估标签得分及其信心。 ConfGCN使用这些估计的置信度来确定邻域聚合期间一个节点对另一个节点的影响，从而获得各向异性能力。通过对标准基准的广泛分析和实验，我们发现ConfGCN能够超越最先进的基线。我们已经制作了ConfGCN的源代码，以鼓励可重复的研究。

利用Twitter数据进行

社交焦虑时空分析的工具

原文标题：

A Tool for Spatio-Temporal Analysis of Social Anxiety with Twitter Data

地址：

http://arxiv.org/abs/1901.08158

作者：

Joohong Lee, Dongyoung Son, Yong Suk Choi

摘要： 在本文中，我们提出了一种分析社交焦虑的时空分布的工具。 Twitter是最受欢迎的社会网络服务之一，已被选为分析社交焦虑的数据来源。推特（在Twitter上发布）包含各种情绪，因此这些个人情绪反映了社会氛围和公众舆论，这些情绪往往取决于空间和时间因素。我们在各种情绪中选择焦虑的原因是焦虑是非常重要的情绪，对于观察和理解社区的社会事件是有用的。

我们开发了一种基于机器学习的工具，用于在空间和时间上分析社会氛围的变化。我们的工具分类每条推文是否包含焦虑内容，并估计推文焦虑的程度。此外，它还将焦虑的时空分布可视化为一种Web应用程序，它与物理地图，文字云，搜索引擎和图表查看器相结合。我们的工具应用于韩国的大量推文数据，以说明其在时空上探索社会氛围和舆论的有用性。

多路网络中阈值

驱动传染的重入相变

原文标题：

Reentrant phase transitions in threshold driven contagion on multiplex networks

地址：

http://arxiv.org/abs/1901.08306

作者：

Samuel Unicomb, Gerardo Iñiguez, János Kertész, Márton Karsai

摘要： 阈值驱动传染模型成功地解释了信息，行为，系统风险和流行病在社会，金融和生物网络上的级联传播。与实际观测结果相反，在具有足够高连通性的单层网络上，这些模型预测没有全球级联。我们研究了权重异构多路复用网络上的阈值驱动传染，并表明它们仍然容易受到任何连接级别的全局级联影响;并且随着边密度的增加，以传染性的折返相变的形式通过稳定性和不稳定性的交替阶段。我们的结果为在高度连接但异构的网络中观察大规模传染提供了缺失的理论解释。

保护基于标签的推荐系统

免受档案注入攻击：比较研究

原文标题：

Securing Tag-based recommender systems against profile injection attacks: A comparative study

地址：

http://arxiv.org/abs/1901.08422

作者：

Georgios K. Pitsilis, Heri Ramampiaro, Helge Langseth

摘要： 这项工作解决了与协作标记系统的攻击相关的挑战，协作标记系统通常以恶意注释或配置文件注入攻击的形式出现。特别是，我们研究针对社交标记系统的两种类型攻击的各种对策，即过载攻击和背负攻击。这里研究的对策方案包括基线分类器，如朴素贝叶斯滤波器和支持向量机，以及深度学习方法。我们对从del.icio.us数据集生成的合成垃圾邮件数据执行的评估表明，在大多数情况下，深度学习可以胜过传统解决方案，提供针对威胁的高级别保护。

社交媒体情感检测与分析

原文标题：

Emotion Detection and Analysis on Social Media

地址：

http://arxiv.org/abs/1901.08458

作者：

Bharat Gaind, Varun Syal, Sneha Padgalwar

摘要： 在本文中，我们解决了任何形式的文本情绪的检测，分类和量化问题。我们考虑从Twitter等社交媒体收集的英文文本，它可以提供各种方式的实用信息，尤其是意见挖掘。像Twitter和Facebook这样的社交媒体充满了全世界人们的情感，感受和观点。然而，基于情感分析和分类文本是一个巨大的挑战，可以被视为一种先进的情感分析形式。

本文提出了一种方法，将文本分为六种不同的情感类别：幸福，悲伤，恐惧，愤怒，惊喜和厌恶。在我们的模型中，我们使用两种不同的方法并将它们组合起来，从文本中有效地提取这些情第一种方法基于自然语言处理，并使用几种文本特征，如表情符号，学位词和否定，词性和其他语法分析。第二种方法基于机器学习分类算法。我们还成功地设计了一种方法来自动创建训练集本身，从而消除了对大型数据集进行手动注释的需要。此外，我们设法创造了一大堆情感词汇，以及他们的情感强度。在测试中，我们的模型显示我们的模型在对从Twitter上发布的推文进行分类时具有很高的准确性。

低压电网的需求和不确定性

建模及非国内消费者的影响

原文标题：

Modelling the Demand and Uncertainty of Low Voltage Networks and the Effect of non-Domestic Consumers

地址：

http://arxiv.org/abs/1901.08497

作者：

Georgios Giasemidis, Stephen Haben

摘要： 预计低碳技术的使用和推广将越来越多地引起电力需求的新模式，并给配电网络运营商（DNO）带来新的挑战。在这项研究中，我们建立了最近推出的一种名为“buddying”的方法，该方法通过优化模拟住宅和非住宅（如商店，办公室，学校，医院等）客户的低压（LV）网络（通过遗传算法）基于有限的监控和客户数据的需求。该算法将有限但不同数量的受监控家庭（“伙伴”）分配给网络上的不受监控的客户。我们研究和比较两种算法，一种是变电站监测数据可用，另一种是没有使用变电站信息。尽管在国内物业和/或变电站推出监控设备，但商业客户可获得的数据较少。

本研究的重点是商业客户的变电站，其中大多数没有受监控的“伙伴”，在这种情况下必须创建配置文件。由于低压网络的易变性，不确定性边界对于操作目的是至关重要的。我们介绍并演示了两种用于建模建模LV网络上的置信界限的技术。第一种方法使用基于变电站监测的概率预测方法;第二种只使用受监控客户样本的简单引导，但具有不需要在变电站进行监控的优点。这些建模工具，佛教和不确定性边界，可以进一步了解DNO，以便在有限的信息可用时更好地规划和管理网络。

在线实验中参与者之间

的领导者-跟随者等级的涌现

原文标题：

Emergence of leader-follower hierarchy among players in an on-line experiment

地址：

http://arxiv.org/abs/1901.08507

作者：

Bálint J. Tóth, Gergely Palla, Enys Mones, Gergő Havadi, Nóra Páll, Péter Pollner, Tamás Vicsek

摘要： 等级网络在自然界和社会中普遍存在，对应于行动者群体 – 动物，人类甚至机器人 – 根据金字塔结构组织，其中决策者位于顶层，追随者位于底层。虽然这种现象看似普遍存在，但基本的管理原则却知之甚少。在这里，我们研究了人群中的等级制度的出现，这些人在对照实验中玩一个简单的点猜博弈，持续大约40轮，通过互联网进行。在比赛期间，球员有可能看到他们选择的有限数量的其他球员的答案。这种寻求建议的行为定义了所涉及的玩家之间的直接联系，并且根据我们的分析，新兴网络的初始随机配置变得更加结构化，在博弈结束时显示出层次结构的迹象。此外，所获得的球员得分似乎与他们在等级中的位置相关。这些结果表明，在某些条件下，模仿和有限的其他参与者表现的知识足以在社会群体中出现等级。

图的热混合模型学习

原文标题：

Graph heat mixture model learning

地址：

http://arxiv.org/abs/1901.08585

作者：

Hermina Petric Maretic, Mireille El Gheche, Pascal Frossard

摘要： 图推理方法最近引起了科学界的极大兴趣，因为它们在数据解释和分析中具有很大的价值。然而，大多数可用的现有技术方法集中于可以通过相同图解释所有可用数据的场景，或者对应于每个图的组是先验已知的。在本文中，我们认为这并不总是现实的，我们在多个图上的热扩散过程之后引入混合信号的生成模型。我们提出了一种期望最大化算法，该算法可以成功地将信号分离成相应的组，并推断出控制其行为的多个图。我们展示了我们的方法对合成和真实数据的好处。