集智

心速递

  • 使用图共注意力网络预测药物合用不良反应;

  • 极端发推者的社会网络:案例研究;

  • 基于声誉的诱导亲社会行为的信息设计;

  • 抽样中关系事件模型估计的可靠性:如何使关系事件模型适应3.6亿个二元事件;

  • 关于社交媒体数据统计分析的两种现有方法;

  • 动态网络中的时序有序聚类;

  • 事件间隔时间的长尾分布看做指数分布的混合;

  • 模仿动力学对 SIR 网络模型中疫苗接种行为的影响;

  • 表征 WhatsApp 组中的注意力级联;

  • 自适应 Sznajd 网络中的意见多样性与社会泡沫;

使用图共注意力网络

预测药物合用不良反应

原文标题:

Drug-Drug Adverse Effect Prediction with Graph Co-Attention

地址:

http://arxiv.org/abs/1905.00534

作者:

Andreea Deac, Yu-Hsiang Huang, Petar Veličković, Pietro Liò, Jian Tang

摘要: 通常使用药物组合治疗复杂或共存的疾病,这可能导致较高的不良副作用风险。多种药物副作用的检测通常在 IV 期临床试验中进行,但是当药物投放市场时仍有大量未被发现的情况。此类事故已经影响到越来越多的人口(现在美国为15%),因此能够尽早预测潜在的副作用是非常有意义的。可能的药物 – 药物相互作用(DDI)的系统组合筛查具有挑战性且昂贵。

然而,最近药物研究和开发工作的数据可用性的显著增加为恢复 DDI 预测的相关见解提供了新的范例。因此,最近的几种方法着重于策划大量 DDI 数据集(具有数百万个示例)并在其上训练机器学习模型。在这里,我们提出了一种神经网络架构,能够通过利用共同注意机制,利用副作用的类型和药物的分子结构,在此任务上设置最先进的结果。 特别是,我们展示了在学习每种药物的代表时早期整合药物对的联合信息的重要性。

极端发推者的

社会网络:案例研究

原文标题:

Social Network of Extreme Tweeters: A Case Study

地址:

http://arxiv.org/abs/1905.00567

作者:

Xiuwen Zheng, Amarnath Gupta

摘要: 在任何给定时间间隔内,社交媒体平台 Twitter 上的单个用户帐户发布的帖子数量通常很低。但是,有一部分用户的帖子数量远高于中位数。在本文中,我们调查了这些极端用户和其他人的内容多样性和社交邻域。我们定义了一个名为“兴趣狭窄”的指标,并确定极端用户的一个子集(称为异常用户)编写具有极低主题多样性的帖子,包括没有文本内容的帖子。使用一些交互模式,我们表明,与他们与其他人的互动相比,异常群体具有最强的群内互动。此外,与非异常极端高频扬声器相比,它们与其他异常用户表现出不同的信息共享行为。

基于声誉的诱导

亲社会行为的信息设计

原文标题:

Reputation-Based Information Design for Inducing Prosocial Behavior

地址:

http://arxiv.org/abs/1905.00585

作者:

Alexandre Reiffers-Masson, Rajesh Sundaresan

摘要: 我们研究了信息设计的概念,以在电力消费的背景下诱导亲社会行为。我们考虑连续的代理人。每个代理人都有不同的内在动机来降低她的能耗。每个代理通过分发模拟其他代理的功耗。使用这种分配,代理商将通过牺牲他们自己的内在动机来做出亲社会行动,这种亲社会行动的成本和他们的声誉来预测他们的声誉利益并选择能耗。最初,服务提供商可以提供两种类型的功耗量化反馈。我们研究它们的优点和缺点。

对于每个反馈,我们使用定点方程表征相应的平均场平衡。除了计算平均场均衡之外,我们还强调了对信息设计进行系统研究的必要性,表明向社会揭示较少的信息可以带来更多的亲社会性。在本文的最后部分,我们介绍了隐私的概念,并提供了一种新的量化反馈,比以前的更灵活,尊重代理人的隐私问题,但同时提高了亲社会性。该研究的结果也适用于一般资源共享问题。

抽样中关系事件模型估

计的可靠性:如何使关系事

件模型适应3.6亿个二元事件

原文标题:

Reliability of relational event model estimates under sampling: how to fit a relational event model to 360 million dyadic events

地址:

http://arxiv.org/abs/1905.00630

作者:

Jürgen Lerner, Alessandro Lomi

摘要: 我们评估了在两种抽样方案下估计的关系事件模型参数的可靠性:(1)来自观察事件的均匀抽样和(2)抽样非事件的样本控制抽样,或来自适当的无效二元组(“控制”)定义的风险集。我们实验上分别确定估计参数的可变性作为每个事件的采样事件和控制的数量的函数。

结果表明,通过分析数万个事件的样本和每个事件的少量控制,关系事件模型可以可靠地适应超过1200万个节点连接超过3000万个二元事件的网络。使用我们在维基百科编辑网络上收集的数据,我们说明了基于关系事件模型的实证研究中通常包含的网络效应如何需要可靠地估计大量不同的样本量。对于我们的分析,我们使用开源软件实现两种抽样方案,允许分析人员将关系事件模型拟合和分析到可以在不同经验设置,不同样本参数或模型规范中收集的相同或其他数据。

关于社交媒体数据统

计分析的两种现有方法

原文标题:

On two existing approaches to statistical analysis of social media data

地址:

http://arxiv.org/abs/1905.00635

作者:

Martina Patone, Li-Chun Zhang

摘要: 使用社交媒体数据对一般人群进行统计分析通常面临两个基本障碍:首先,针对不同对象收集社交媒体数据,而不是人口单位;其次,相关措施通常不能直接获得,但需要通过算法或机器学习技术提取。在本文中,我们检查和总结了两种基于社交媒体数据的统计分析方法,这些方法可以在文献中看出来。

在第一种方法中,分析应用于围绕直接在数据中观察到的对象组织的社交媒体数据;在第二个中,对构建的伪测量数据集应用不同的分析,旨在将观察到的社交媒体数据转换为来自目标群体的一组单元。我们系统地详细阐述了相关的数据质量框架,举例说明了他们的应用程序,并强调了与社交媒体数据相关的一些典型挑战。

动态网络中的时序有序聚类

原文标题:

Temporal Ordered Clustering in Dynamic Networks

地址:

http://arxiv.org/abs/1905.00672

作者:

Krzysztof Turowski, Jithin K. Sreedharan, Wojciech Szpankowski

摘要: 在时间有序集群中,给定动态网络的单个快照,我们的目标是将其节点划分为 K 有序集群 C_1 prec cdots prec C_K ,以便 i <j 节点集群 C_i 在群集 C_j 中的节点之前到达动态图。推断动态网络演化的问题在许多应用中具有相当大的意义,从预测蛋白质的年龄到跟踪在线社会网络中假新闻的扩展。我们首先针对一般动态图制定我们的问题,并提出一个整数编程框架,该框架找到最佳偏序,其描述了对于特定密度实现最佳精度的集群(即,部分顺序中成功排序的节点对的分数) (即,部分顺序中可比节点对的分数)。

我们提供了一种方法,使用对应于图演化的马尔可夫链上的重要性采样来解决原始优化的线性规划松弛。受此解决方案的启发,我们设计了无监督和监督算法来查找时间有序簇。最后,我们将模型实例化为复制 – 发散模型(也称为顶点复制模型),与其他网络模型相比,这证明了真正的挑战,如本文所述。我们验证了针对合成数据和各种真实网络上的复制 – 发散模型而定制的算法。

事件间隔时间的长尾

分布看做指数分布的混合

原文标题:

Long-tailed distributions of inter-event times as mixtures of exponential distributions

地址:

http://arxiv.org/abs/1905.00699

作者:

Makoto Okada, Kenji Yamanishi, Naoki Masuda

摘要: 各种人类行为的事件间时间显然是非泊松的,并且遵循长尾分布而不是指数分布,其对应于泊松过程。已经提出人类个体可以在不同的状态之间切换,在每个状态中他们被认为产生服从泊松过程的事件。如果是这种情况,事件间时间的分布应近似服从具有不同参数值的指数分布的混合。在本研究中,我们引入最小描述长度原理来比较指数分布与不同组分数(即组分指数分布)的混合。

因为这些分布违反了可识别性属性,所以在数学上不允许将 Akaike 或 Bayes 信息标准应用于其最大似然估计器以进行模型选择。我们通过将最小描述原则应用于数据和潜在变量的联合可能性来克服这一理论障碍。我们表明,选择具有少量组分的指数分布的混合物,而不是各种数据集中的更复杂的混合物,并且拟合精度与现有技术的拟合精度相当,以使幂律分布适合数据。我们的结果支持 Poissonian 解释显然非 Poissonian 人类行为。

模仿动力学对SIR网络

模型中疫苗接种行为的影响

原文标题:

The effects of imitation dynamics on vaccination behaviors in SIR-network model

地址:

http://arxiv.org/abs/1905.00734

作者:

Sheryl L. Chang, Mahendra Piraveenan, Mikhail Prokopenko

摘要: 我们提出了一系列 SIR 网络模型,扩展了对模仿动态的博弈论处理,这种模仿动态源于住宅和工作区域的常规人口流动以及随之而来的相互作用。每个被认为是 SIR 网络模型捕获了一类受流行特征,交互拓扑和模仿动态影响的疫苗接种行为。我们的重点是根据自愿疫苗接种计划制定的最终疫苗接种覆盖率,以应对这些不同因素。使用下一代矩阵方法,我们分析地推导和比较所提出的 SIR 网络模型的基本再现数 R_0 的表达式。

此外,我们模拟所考虑的模型随时间的流行动态,并表明如果个体对疾病流行的变化有足够的响应,那么更广泛的旅行模式促使收敛到地方性,混合均衡。相反,如果个体对疾病流行的变化不敏感,我们发现它们往往在所有研究的模型中都没有接种疫苗。我们的研究结果与之前的研究结果一致,表明来自高度连通住宅区的居民更有可能接种疫苗。我们还表明,致力于接种疫苗的个体的存在减少了 R_0 并延迟了疾病的流行,因此对于控制流行病至关重要。

表征 WhatsApp

组中的注意力级联

原文标题:

Characterizing Attention Cascades in WhatsApp Groups

地址:

http://arxiv.org/abs/1905.00825

作者:

Josemar Alves Caetano, Gabriel Magno, Marcos Gonçalves, Jussara Almeida, Humberto T. Marques-Neto, Virgílio Almeida

摘要: 印度和巴西等几个国家讨论的重要政治和社会现象是使用 WhatsApp 传播虚假或误导性内容。但是,对于 WhatsApp 小组中的信息传播过程知之甚少。注意力影响 WhatsApp 小组中信息的传播,确定哪些主题或主题对小组参与者更具吸引力。在本文中,我们描述和分析 WhatsApp 小组参与者之间的注意力如何传播。当用户在对组的消息中声明主题时,注意级联开始,其可以包括书面文本,照片或在线文章的链接。然后其他人通过回应来传播信息。

我们分析了一年内在120个群组中发布的超过170万条消息中的注意力级联。我们的分析侧重于注意级联的结构和时间演变以及参与其中的用户的行为。我们发现了与讨论政治主题和虚假信息的群体相关联的级联中的特定特征。例如,我们观察到,虚假信息的级联倾向于更深层次,接触更多用户,并且在政治团体中比在非政治团体中持续更长时间。

自适应 Sznajd 网络中

的意见多样性与社会泡沫

原文标题:

Opinion Diversity and Social Bubbles in Adaptive Sznajd Networks

地址:

http://arxiv.org/abs/1905.00867

作者:

Alexandre Benatti, Henrique Ferraz de Arruda, Filipi Nascimento Silva, Cesar Henrique Comin, Luciano da Fontoura Costa

摘要: 了解人类观点随时间和空间变化的方式构成了复杂系统研究中的巨大挑战之一。在研究这个问题的几种方法中,Sznajd 模型提供了一些特别有趣的特征,例如它的简单性和代表一些被认为参与意见动态的机制的能力。零温度下的标准 Sznajd 模型的特点是收敛到一个稳定状态,这意味着无意义的多样性。在目前的工作中,我们开发了一种方法 – 即自适应 Sznajd 模型 – 其中个人(即网络节点)的意见变化暗示了网络拓扑中可能的变化。

这是通过允许代理优先将其连接更改为具有相同状态的其他邻居来实现的。随着时间的推移,意见的多样性是根据意见密度的熵的指数来量化的。报告了几个有趣的结果,包括可能形成回声室或社交泡沫。此外,根据参数配置,动态可以收敛到不同的平衡状态以用于相同的参数设置。我们还研究了所提出的自适应模型在非零温度下的动力学。

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,由本人进行翻译整理,未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”(微信号netsci)和个人博客 https://www.complexly.me (提供RSS订阅)进行同步更新。

近期网络科学论文速递

时间社会网络上包含错误信息的传播 等11篇

斐波那契树状模型的随机游走:幂律的涌现 等6篇

没有永久的朋友或敌人:追踪国家与新闻之间的关系 等15篇

网络科学预测全球初创企业成败 等21篇

带管制的财富分配模型:动态和均衡 等15篇

加入集智,一起复杂!


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