核心速递

假新闻早期检测：理论驱动模型;
理解 Instagram 上政治互动;
理想点估计神经网络;
快或慢？踩镲时机与动力学的相关波动“普遍性”分析;
几何重整化揭示了多尺度人类连接组的自相似性;
没有顶点增长的优先连接：巨型组件的涌现;
带有未观察到的边的时变网络的谱划分;
通过网络信道节点移动的物质的统计分布;
StartupBR：高等教育对巴西社会网络和企业家精神的影响;
专利引文网络的社区检测和增长潜力预测;
探索信息中心性在大型网络入侵检测中的应用;
社交媒体自动账户分类的社会信息学方法;
高质量基于度的启发式影响最大化问题;
通过非高斯波动的网络去同步;
图布局的深度生成模型;
TheFragebogen：基于 Web 浏览器的科研调查问卷框架;
用于含时间的推荐的链接流图;
基于密度的社区检测/优化;
N2VSCDNNR：基于 Node2vec 和富信息网络的本地推荐系统;
建模选举动态和虚假信息的影响;
使用分层上下文的递归神经网络进行推荐;
有顽固主体的本地非贝叶斯社会学习;

假新闻早期检测：

理论驱动模型

原文标题：

Fake News Early Detection: A Theory-driven Model

地址：

http://arxiv.org/abs/1904.11679

作者：

Xinyi Zhou, Atishay Jain, Vir V. Phoha, Reza Zafarani

摘要： 假新闻的爆炸性增长及其对民主，正义和公众信任的侵蚀大大增加了对准确假新闻检测的需求。该领域的最新进展提出了旨在通过探索它如何在社会网络上传播来检测假新闻的新技术。然而，为了实现假新闻早期检测，仅提供关于新闻传播的限制信息;因此，通过主要关注新闻内容来激发开发能够检测假新闻的方法的需求。

本文提出了一种用于假新闻检测的理论驱动模型。该方法研究各级新闻内容：词汇级，语法级，语义级和语篇级。我们依靠社会和法医心理学中的既定理论来代表各个层面的新闻。然后在受监督的机器学习框架内进行假新闻检测。作为一门跨学科研究，我们的工作探索了潜在的虚假新闻模式，增强了虚假新闻特征工程的可解释性，并研究了假新闻，欺骗/虚假信息和 clickbaits 之间的关系。在两个真实数据集上进行的实验表明，即使在内容信息有限的情况下，所提出的方法也可以胜过最先进的技术并实现假新闻早期检测。

理解 Instagram上政治互动

原文标题：

Towards Understanding Political Interactions on Instagram

地址：

http://arxiv.org/abs/1904.11719

作者：

Martino Trevisan, Luca Vassio, Idilio Drago, Marco Mellia, Fabricio Murai, Flavio Figueiredo, Ana Paula Couto da Silva, Jussara M. Almeida

摘要： 在线社会网络（OSN）允许个性和公司直接与公众进行通信，绕过传统媒体的过滤器。由于人们依靠 OSN 来保持最新状态，政治辩论也在网上发生了变化。我们目睹了苛刻的政治辩论的突然爆发以及在 OSN 中传播谣言。确定此类行为需要深入了解人们在政治辩论期间如何通过 OSN 进行互动。我们对流行的OSN（即 Instagram ）中的交互进行了初步研究。

我们将意大利作为2019年欧洲选举前的一个案例研究。我们观察不同类别的顶级意大利 Instagram 个人资料的活动：政治，音乐，体育和表演。我们记录他们的帖子超过两个月，跟踪“喜欢”和用户的评论。结果表明，政治家的情况比其他类别吸引了明显不同的互动。人们倾向于评论更多，评论时间更长，争论时间更长，回复量很大，其中大多数都没有明确征求意见。此外，评论往往来自一小群非常活跃的用户。最后，我们在比较不同方的概况时见证了实质性差异。

理想点估计神经网络

原文标题：

Neural Ideal Point Estimation Network

地址：

http://arxiv.org/abs/1904.11727

作者：

Kyungwoo Song, Wonsung Lee, Il-Chul Moon

摘要： 理解政治是一项挑战，因为政治受到一切影响。甚至我们也将自己局限于立法过程中的政治背景;我们需要更好地了解潜在因素，例如立法者，法案，他们的理想点和他们的关系。从建模的角度来看，这很困难1）因为这些观察位于高维度，需要在低维表示上进行学习，2）因为这些观察需要复杂的概率建模和潜在变量来反映因果关系。

本文提出了一个新的模型，以反映和理解这一政治环境，NIPEN ，包括上述立法中提到的因素。我们提出了两个版本的 NIPEN ：一个是深度学习和概率图模型的混合模型，另一个模型是神经张量模型。我们的结果表明，NIPEN 成功地学习了立法法案文本的多样性，NIPEN 利用学到的低维潜在变量来提高立法者投票的预测性能。此外，由于是一个富含领域的概率模型，NIPEN 显示了立法者信任网络的隐藏力量及其在投票方面的各种特征。

快或慢？踩镲时机与动力

学的相关波动“普遍性”分析

原文标题：

Rushing or Dragging? An Analysis of the “Universality” of Correlated Fluctuations in Hi-Hat Timing and Dynamics

地址：

http://arxiv.org/abs/1904.11752

作者：

Oliver Gordon, Dominic Coy, Jack Matthews, Easel Kandola-McNicholas, Owain Llewellyn, Adeel Bokhari, Philip Moriarty

摘要： 先前对艺术家（ Jeff Porcaro ）鼓声表演波动的分析证明节奏信号包括长距离相关和短距离范围反相关，具有区分两种制度的特征时间尺度。我们已经将 R “as as” 等人的方法扩展到更大数量的鼓样本（N = 132，由总共58名参与者提供）和不同的表现（即 Rush 的 Tom Sawyer ）。我们研究的一个关键焦点是测试 R “as” 等人发现的波动动力学。

在以下意义上是“普遍的”：从短距离到长距离相关波动的交叉是一般现象还是仅限于特定的鼓模式和/或特定的鼓手？我们没有发现令人信服的证据表明短波到长程相关性交叉是波尔卡罗性能的特征，这是鼓模式中时间波动的一个共同特征。此外，经验水平和/或博弈技术令人惊讶地在影响短程到远程相关交叉时不起作用。我们的研究还强调，在使用去趋势波动分析技术时需要非常谨慎，特别是在反相关信号方面。

几何重整化揭示了多

尺度人类连接组的自相似性

原文标题：

Geometric renormalization unravels self-similarity of the multiscale human connectome

地址：

http://arxiv.org/abs/1904.11793

作者：

Muhua Zheng, Antoine Allard, Patric Hagmann, M. Ángeles Serrano

摘要： 通常通过将其观察减少到单个空间分辨率来研究大脑中的结构连通性。然而，大脑构成了一个丰富的架构，以多个尺度组织在一起。我们使用以五种不同分辨率重建的健康受试者的数据集探索了人类连接组的多尺度组织。我们发现，当通过解剖区域的分层粗粒化逐渐减小分辨率长度时，人脑的结构保持自相似。

引人注目的是，双曲线空间中连接组映射的几何重整化，通过粗粒化和短相似距离平均来降低分辨率，预测连通体的属性，包括自相似性。我们的结果表明，相同的原理调节不同长度尺度的大脑区域之间的连通性，并且脑连接组的多尺度自相似性可以提供用于导航目的的有利架构。影响是多种多样的，可以影响基本的辩论，例如大脑是否在临界点附近工作，并导致应用程序包括先进的工具，以简化数字重建和大脑模拟。

没有顶点增长的优

先连接：巨型组件的涌现

原文标题：

Preferential attachment without vertex growth: emergence of the giant component

地址：

http://arxiv.org/abs/1904.11861

作者：

Svante Janson, Lutz Warnke

摘要： 我们研究了经典鄂尔多斯 – 仁义随机图过程的以下优先连接变体。从 n 个顶点上的空图开始，逐个添加新边，并且每次选择边的概率大致与其端点的当前度的乘积成比例（注意顶点集是固定的）。我们确定了超临界阶段中巨型组件的渐近大小，证实了2010年 Pittel 的猜想。我们的证明使用了一种简单的方法：我们调整顶点度数（多图变量），并使用已知结果进行配置模型。

带有未观察到的边

的时变网络的谱划分

原文标题：

Spectral partitioning of time-varying networks with unobserved edges

地址：

http://arxiv.org/abs/1904.11930

作者：

Michael T. Schaub, Santiago Segarra, Hoi-To Wai

摘要： 我们讨论了一种“盲”社区检测的变体，其中我们的目标是将未观察到的网络与观察网络上定义的（动态）图信号进行划分。我们考虑一种场景，其中我们观察到的图信号是通过过滤白噪声输入获得的，并且底层网络对于每个观察都是不同的。以这种方式，滤波的图信号可以被解释为在时变网络上定义的。我们通过从潜在随机块模型（ SBM ）的独立抽取生成每个底层网络实现的模型。为了推断潜在 SBM 的划分，我们提出了一种简单的谱算法，我们为此提供理论分析并为恢复建立一致性保证。我们使用合成和实际数据的数值实验来说明我们的结果，突出了我们的方法的功效。

通过网络信道节点

移动的物质的统计分布

原文标题：

On the statistical distributions of substance moving through the nodes of a channel of network

地址：

http://arxiv.org/abs/1904.11973

作者：

Nikolay K. Vitanov, Kaloyan N. Vitanov

摘要： 我们通过网络通道的节点讨论物质运动模型。通道可以通过一系列罐子建模，每个罐子可以与邻近的罐子交换物质。此外，罐子可以与网络节点交换物质，新的一点是我们在模型中包括在罐子（节点）和网络环境之间交换物质的可能性。

我们通过有限通道（沿着骨架链的物质交换的静止状态）考虑物质运动的静止状态，并在通道的节点中获得一类物质的统计分布。我们的注意力集中在这类分布上，并且我们表明，对于有限通道的情况，所获得的分布类包含特定情况 Katz，Ord，Kemp 等分布族的截断版本。无限的罐子链在附录中。

StartupBR：高等教育对巴

西社会网络和企业家精神的影响

原文标题：

StartupBR: Higher Education’s Influence on Social Networks and Entrepreneurship in Brazil

地址：

http://arxiv.org/abs/1904.12026

作者：

Michelle Reddy, Júlio C. Nardelli, Yuri L. Pereira, Marisa Vasconcelos, Thiago H. Silva, Leonardo B. Oliveira, Mark Horowitz

摘要： 发展中国家和中等收入国家在其长期发展战略中日益强调高等教育和企业家精神。我们的工作重点是高等教育机构（HEIs）对新兴经济体巴西的创业生态系统的影响。首先，我们描述了企业家网络特征的区域差异。然后，我们研究精英高等教育机构在经济中心对企业家网络的影响。

其次，我们调查初创公司创始人的学术轨迹，包括他们的学习课程和原籍高等教育，对创业公司的筹款能力的影响。鉴于 Crunchbase 和 LinkedIn 等社交媒体数据库提供启动和个人级数据的能力不断提高，我们利用计算方法挖掘数据以进行社会网络分析。我们发现 HEI 质量和生态系统的成熟度会影响创业的成功。我们的网络分析表明，精英高等教育机构对当地企业家生态系统具有强大的影响力。令人惊讶的是，虽然南部和东南部最具国家声望的高等教育机构拥有最长的地理覆盖范围，但其网络影响仍然是本地的。

专利引文网络的社区

检测和增长潜力预测

原文标题：

Community Detection and Growth Potential Prediction from Patent Citation Networks

地址：

http://arxiv.org/abs/1904.12040

作者：

Asahi Hentona, Takeshi Sakumoto, Hugo Alberto Mendoza España, Hirofumi Nonaka, Shotaro Kataoka, Toru Hiraoka, Kensei Nakai, Elisa Claire Alemán Carreón, Masaharu Hirota

摘要： 专利评分对技术管理分析很有用。因此，需要开发引用网络聚类和预测未来实际专利评分的引用。在本文中，我们提出了一种使用 Node2vec 的社区检测方法。为了分析增长潜力，我们比较了三种“时间序列分析方法”，长期短期记忆（LSTM），ARIMA 模型和霍克斯过程。在我们的实验结果中，我们可以通过 Node2vec 从这些集群中找到共同的技术要点。此外，我们发现 ARIMA 模型的预测精度高于其他模型。

探索信息中心性在大

型网络入侵检测中的应用

原文标题：

Exploring Information Centrality for Intrusion Detection in Large Networks

地址：

http://arxiv.org/abs/1904.12138

作者：

Nidhi Rastogi

摘要： 现代网络系统不断受到系统攻击的威胁。连接到网络的设备数量以及相关的流量大幅增加。这加强了在系统设计和实现期间更好地理解所有可能的攻击向量的需要。此外，它增加了挖掘大型数据集的需求，分析哪些已成为一项艰巨的任务。规模监控基础设施以满足这一需求至关重要，但这对于中小型组织来说是一个艰难的目标。

因此，需要提出解决安全性中的大数据问题的新方法。信息中心（IC）标记具有更好有利位置的网络节点，用于检测基于网络的异常作为中心节点，并使用它们来检测称为系统攻击的一类攻击。主要思想是，由于这些中心节点已经看到很多信息流经网络，因此它们可以很好地检测其他节点之前的异常情况。本研究首先深入探讨了在理解拓扑和信息流时使用图的重要性。

然后，我们介绍了信息中心性（一种基于中心性的索引）的使用，以减少现有通信网络中的数据收集。使用 IC 识别的中心节点可以在使用合适的异常检测技术时加速异常值检测。我们还提出了一种更有效的方法来计算大型网络的信息中心性。最后，我们证明中心节点检测异常行为的速度比其他非中心节点快得多，因为异常行为本质上是系统性的。

社交媒体自动账户

分类的社会信息学方法

原文标题：

A Socio-Informatic Approach to Automated Account Classification on Social Media

地址：

http://arxiv.org/abs/1904.12149

作者：

Laurenz A Cornelissen, Petrus Schoonwinkel, Richard J Barnett

摘要： 社交媒体上的自动帐户越来越成问题。我们提出了一个结合现有方法的关键特性，以改进用于机器人检测的机器学习算法。我们通过包含提议的功能成功地提高了分类性能。

高质量基于度的启

发式影响最大化问题

原文标题：

High Quality Degree Based Heuristics for the Influence Maximization Problem

地址：

http://arxiv.org/abs/1904.12164

作者：

Maryam Adineh, Mostafa Nouri-Baygi

摘要： 影响力最大化的问题是选择社会网络中最有影响力的个体。随着社交网站的普及以及病毒式营销的发展，问题的重要性已经增加。影响最大化问题是 NP 难的，因此，除非 P = NP ，否则不存在用于解决问题的多项式时间算法。提出了许多启发式方法，以便在更短的时间内找到近乎完美的解决方案。

在本文中，我们提出了两种启发式算法来寻找好的解决方案。启发式基于两个观点：（1）高度顶点在网络中具有更大的影响，以及（2）附近顶点影响几乎类似的顶点集。我们在几个众所周知的数据集上评估我们的算法，并表明我们的启发式方法可以在更短的时间内（在运行时间内提高85美元％）获得更好的结果（影响范围最高可达 15 ％）。

通过非高斯波动的网络去同步

原文标题：

Network desynchronization by non-Gaussian fluctuations

地址：

http://arxiv.org/abs/1904.12174

作者：

Jason Hindes, Philippe Jacquod, Ira B. Schwartz

摘要： 尽管它们在嘈杂的环境中运行，但许多网络必须保持同步。重要的例子是电力网络，其中由可再生能源提供快速增加的电力量，已知可再生能源具有宽尾波动。这种非高斯波动可导致罕见的网络去同步。在这里，我们通过非高斯噪声建立惯性振荡器网络去同步的一般理论，非高斯噪声可以通过输入功率数据进行参数化。

我们计算了去同步的速率，并表明噪声的较高时刻以特定的耦合功率进入：根据噪声统计数据与网络最弱稳定模式的统计数据的匹配程度，以指数方式加速或降低速率。最后，我们介绍了一种技术，可用于大幅减少预测振荡器网络中的去同步所需的方程式数量。例如，当不稳定性与单个过载边相关联时，减少的是一个有效的，有噪声的振荡器。

图布局的深度生成模型

原文标题：

A Deep Generative Model for Graph Layout

地址：

http://arxiv.org/abs/1904.12225

作者：

Oh-Hyun Kwon, Kwan-Liu Ma

摘要： 由于不同的布局可以表征同一图的不同方面，因此找到图的“良好”布局是图可视化的重要任务。在实践中，用户通常通过使用不同的方法和变化的参数设置来可视化多个布局中的图，直到找到最适合可视化目的的布局。但是，这种反复试验过程通常是偶然且耗时的。为了向用户提供一种直观的方式来浏览布局设计空间，我们提出了一种使用深度生成模型系统地可视化不同布局的图的技术。

我们设计了一种编码器 – 解码器架构，用于从一组示例布局中学习模型，其中编码器在潜在空间中表示训练示例，并且解码器从潜在空间产生布局。特别是，我们训练模型构建一个二维潜在空间，供用户轻松探索和生成各种布局。我们通过对生成的布局进行定量和定性评估来演示我们的方法。我们的评估结果表明，我们的模型能够学习和概括图布局的抽象概念，而不仅仅是记住训练样例。总之，本文提出了一种全新的图可视化方法，其中机器学习模型学习如何从示例中可视化图而无需手动定义的启发式。

TheFragebogen：基于 Web

浏览器的科研调查问卷框架

原文标题：

TheFragebogen: A Web Browser-based Questionnaire Framework for Scientific Research

地址：

http://arxiv.org/abs/1904.12568

作者：

Dennis Guse, Henrique R. Orefice, Gabriel Reimers, Oliver Hohlfeld

摘要： 体验质量（QoE）通常涉及进行实验，其中向参与者呈现刺激并且收集他们的判断以及行为数据。如今，许多实验需要用于呈现刺激的软件和来自参与者的数据收集。虽然存在不同的软件解决方案，但这些解决方案并不适合在 QoE 上进行实验。此外，复制实验或在不同设置（例如，实验室与众包）中重复相同的实验可以进一步增加软件复杂性。

TheFragebogen 是一个开源，多功能，可扩展的软件框架，用于实施问卷调查 – 特别是对于 QoE 的研究。可以使用最先进的 Web 浏览器呈现已实施的问卷，以支持广泛的设备，同时使用Web服务器是可选的。开箱即用，TheFragebogen 提供图精确尺度以及自由手输入，收集行为数据和回放多媒体内容的能力。

用于含时间的推荐的链接流图

原文标题：

Link Stream Graph for Temporal Recommendations

地址：

http://arxiv.org/abs/1904.12576

作者：

Armel Jacques Nzekon Nzeko’o, Maurice Tchuente, Matthieu Latapy

摘要： 关于推荐系统的一些研究是基于明确的评级数据，但在许多现实世界的电子商务平台中，评级并不总是可用，并且在这些情况下，推荐系统必须处理隐含数据，例如用户的购买历史，浏览历史和流媒体历史。在此上下文中，经典的二分用户项图（BIP）被广泛用于计算前 N 个推荐。然而，这些图表具有一些局限性，特别是在考虑时间动态方面。

这并不好，因为用户的偏好会随着时间的推移而改变。为了克服这个限制，Xiang 等人提出了基于会话的含时图（STG）。在基于图表的推荐系统中结合长期和短期偏好。但是在 STG 中，时间被分成片，因此被认为是不连续的。该方法丢失了用户动作的真实时间动态的细节。

为了应对这一挑战，我们提出了链路流图（LSG），它是 Latapy 等人提出的链路流表示的扩展。并且它允许通过持续考虑时间来模拟用户和项目之间的交互。在4个真实世界隐含数据集上进行实验，用于时间推荐，具有3个评估指标，表明 LSG 在12个案例中的9个中是最好的，而 BIP 和 STG 是最常用的最先进的推荐图。

基于密度的社区检测/优化

原文标题：

Density-based Community Detection/Optimization

地址：

http://arxiv.org/abs/1904.12593

作者：

Rui Portocarrero Sarmento

摘要： 近年来，用于社区检测的基于模块化的算法一直在增加。模块化及其应用引起了争议，因为一些作者认为它不是没有缺点的度量。已经表明，使用模块化来检测社区的算法受到解决限制，因此在某些情况下无法识别小社区。在这项工作中，我们尝试应用标签传播算法找到的社区密度优化，并研究在优化结果的模块化方面会发生什么。

我们引入了一个我们称之为 ADC（每个社区的平均密度）的指标;我们使用此指标来证明我们的优化可以改进基准算法获得的社区密度。此外，我们提供的证据表明，此优化可能不会显著改变结果社区的模块性。此外，通过使用 SSC（强连接组件）概念，我们开发了社区检测算法，我们还与标签传播算法进行了比较。这些比较是通过几个测试网络和不同的网络规模执行的。优化算法的结果证明是有趣的。此外，社区检测算法的结果与我们使用的基准算法类似。

N2VSCDNNR：基于Node2vec

和富信息网络的本地推荐系统

原文标题：

N2VSCDNNR: A Local Recommender System Based on Node2vec and Rich Information Network

地址：

http://arxiv.org/abs/1904.12605

作者：

Jinyin Chen, Yangyang Wu, Lu Fan, Xiang Lin, Haibin Zheng, Shanqing Yu, Qi Xuan

摘要： 推荐系统在我们的日常生活中变得越来越重要。然而，传统的推荐方法受到数据稀疏性和效率的挑战，因为在许多现实世界的应用程序中，两者之间的用户，项目和交互的数量快速增加。在这项工作中，我们提出了一种基于 node2vec 技术和丰富信息网络的新型聚类推荐系统，即 N2VSCDNNR，以解决这些挑战。特别地，我们使用二分网络来构建用户项目网络，并且通过相应的单模式投影网络表示用户（或项目）之间的交互。

为了缓解数据稀疏性问题，我们根据用户和项目类别丰富了网络结构，构建了单模投影类网络。然后，考虑到网络中的数据稀疏性问题，我们使用 node2vec 来捕获来自相应的单模投影类别网络的用户（或项目）之间的复杂潜在关系。此外，考虑到聚类方法中参数设置和信息丢失问题的依赖性，我们使用一种新的谱聚类方法，该方法基于动态最近邻（DNN）和一种新的自动确定簇数（ADCN）方法来确定聚类。

基于正态分布方法的中心，分别对用户和项目进行聚类。在聚类之后，我们提出了两阶段个性化推荐，以实现每个用户的项目的个性化推荐。一系列实验验证了我们的 N2VSCDNNR 在几种先进的嵌入和基于侧面信息的推荐算法方面的出色性能。同时，N2VSCDNNR 似乎比在线推荐中的基线方法具有更低的时间复杂度，表明其可能在大规模系统中得到广泛应用。

建模选举动态和虚假信息的影响

原文标题：

Modelling election dynamics and the impact of disinformation

地址：

http://arxiv.org/abs/1904.12614

作者：

Dorje C Brody

摘要： 通过将信息的基础流作为模型输入来处理，可以有效地建模由信息解散驱动的复杂动态系统。然后导出系统的复杂动态行为作为输出。这种基于信息的方法与信息驱动系统的传统数学建模形成鲜明对比，因此人们试图为输出提出基本上 textit ad hoc 模型。在这里，选举竞争的动态是通过与选举有关的信息流的规范来建模的。选举投票统计数据看似随机的演变随后被推导出来作为模型输出，反过来又用于研究选举预测，虚假信息的影响以及选举活动中信息管理的最佳策略。

使用分层上下文的

递归神经网络进行推荐

原文标题：

Hierarchical Context enabled Recurrent Neural Network for Recommendation

地址：

http://arxiv.org/abs/1904.12674

作者：

Kyungwoo Song, Mingi Ji, Sungrae Park, Il-Chul Moon

摘要： 长期的用户历史不可避免地反映了个人利益随时间的变化。对用户历史的分析需要强健的顺序模型来预测用户兴趣的转变和衰退。用户历史通常由各种 RNN 结构建模，但是推荐系统中的 RNN 结构仍然受到长期依赖性和兴趣漂移的影响。为了解决这些挑战，我们建议 HCRNN 具有全球，本地和临时利益的三个等级背景。

这种结构旨在保留用户的全球长期利益，反映当地的子序列利益，并参与每个过渡的临时利益。此外，我们提出了一个基于分层上下文的门结构，以结合我们的 textit 兴趣漂移假设。当我们建议新的 RNN 结构时，我们支持具有互补 textit 双通道注意结构的 HCRNN 以利用分层上下文。我们使用 CiteULike，MovieLens和 LastFM 对顺序推荐任务的建议结构进行了实验，我们的模型显示了顺序推荐中的最佳性能。

有顽固主体的本地

非贝叶斯社会学习

原文标题：

Local non-Bayesian social learning with stubborn agents

地址：

http://arxiv.org/abs/1904.12767

作者：

Daniel Vial, Vijay Subramanian

摘要： 近年来，人们越来越多地转向 Twitter 和 Facebook 等社会网络获取新闻。与传统新闻来源相比，这些平台允许用户同时阅读新闻文章并与其他用户分享意见。除了其他影响之外，这导致假新闻的增加，有时通过机器人（伪装成真实用户的自动社交媒体帐户）传播。

在这项工作中，我们设计和分析描述这些平台的数学模型。该模型包括大量试图以迭代方式学习世界潜在真实状态的代理。在每次迭代中，这些代理基于对真实状态的嘈杂观察和其他代理的子集的信念来更新他们关于真实状态的信念。这些子集可能包括一种我们称之为机器人的特殊类型的代理，它试图说服其他人错误的真实状态而不是学习（建模用户传播假新闻）。

这个过程持续进行有限次数的迭代，我们称之为学习期。我们的分析详细说明了这个过程结果的三个案例：代理人可以了解真实状态，将机器人提倡的错误状态误认为是真实的，或者认为状态介于真实和错误状态之间。出现哪种结果取决于机器人数量与学习期限之间的关系。这导致了一些有趣的后果;例如，我们表明代理人最初可以学习真实状态但后来忘记它并相信错误状态是真实的。简而言之，我们认为改变学习视野可能会导致截然不同的结果。这与研究像我们这样的模型的现有工作形成对比，这些模型通常固定有限的视野或仅考虑无限的视野。