网络流行病模型分析 | 网络科学论文速递10篇-集智俱乐部

核心速递

  • 网络流行病模型分析;

  • vGraph:联合社区检测和节点表示学习的生成模型;

  • 用流形控制引导生态演化博弈动力学;

  • 锚用户预测的深度主动学习;

  • 声誉系统——向协作社区中的编辑公平分配点数;

  • 演化集体智能(ECI)的知识网络系统(KNS):模型、算法和应用;

  • DISCO:当影响最大化遇到网络嵌入和深度学习;

  • 20年的流动性建模和预测:趋势、缺点和观点;

  • 通过 Twitter 无监督机器学习分析城市物流;

  • 用于临床应用的 fMRI 语言任务的核心语言脑网络;

网络流行病模型分析

原文标题:

Analysis of an epidemic model on a network

地址:

http://arxiv.org/abs/1906.07449

作者:

J.-G. Caputo, A. Knippel, F. Mouatamide, M. Khaladi

摘要: 我们分析了扩展到地理网络的 KermacK-Mckendrick 模型。这产生了涉及网络图拉普拉斯算子的耦合微分方程系统。我们研究了不同参数的影响,并获得了一个简单的流行病发病标准。最后,为了遏制流行病,我们研究了不同的疫苗接种策略,并证明接种最高程度的节点是最有效的。

vGraph:用于联合社区

检测和节点表示学习的生成模型

原文标题:

vGraph: A Generative Model for Joint Community Detection and Node Representation Learning

地址:

http://arxiv.org/abs/1906.07159

作者:

Fan-Yun Sun, Meng Qu, Jordan Hoffmann, Chin-Wei Huang, Jian Tang

摘要: 本文重点关注图分析的两个基本任务:社区检测和节点表示学习,它们分别捕获图的全局和局部结构。在目前的文献中,这两个任务通常是独立研究的,但是它们实际上是高度相关的。我们提出了一种名为 vGraph 的概率生成模型来学习社区组成和节点表示。

具体来说,我们假设每个节点可以表示为社区的混合,并且每个社区被定义为节点上的多项分布。混合系数和社区分布都通过节点和社区的低维表示来参数化。我们设计了一种有效的变分推理算法,该算法使相邻节点的社区成员在潜在空间中相似。多个真实图表的实验结果表明,vGraph 在社区检测和节点表示学习方面都非常有效,在两个任务中都超过了许多竞争基线。我们表明 vGraph 的框架非常灵活,可以轻松扩展以检测分层社区。

用流形控制引导

生态-进化博弈动力学

原文标题:

Steering Eco-Evolutionary Games Dynamics with Manifold Control

地址:

http://arxiv.org/abs/1906.07161

作者:

Xin Wang, Zhiming Zheng, Feng Fu

摘要: 个体的种群动态与其生态环境之间形成反馈,这个现象在自然界中普遍存在,并且对由此产生的生态演化动力学产生了深远的影响。将线性环境反馈定律纳入双人博弈的模仿者动力学中,最近的理论研究揭示了理解社会困境的振荡动力学。然而,在多玩家博弈中更常见的非线性反馈回路的详细效果,尤其是在微生物系统中更为常见的现象背后的机制仍然不是很清楚。

在这里,我们专注于生态公益产品博弈,其环境反馈由非线性选择梯度驱动。与以前的模型不同,稳定和不稳定的平衡流形的多个部分可以从种群动力系统中出现。我们发现,以协作者为中心的群体相互作用的较大相对不对称反馈速度不仅加速了稳定流形的收敛,而且增加了这些稳定流形的吸引域。

此外,我们的工作提供了一种创新的流量控制方法:通过设计适当的切换控制法则,我们能够将生态演化动力学引导到任何所需的群体状态。我们的数学框架是共同演化博弈动力学的重要概括和补充,也填补了理论上的空白,指导了微生物实验中人口状态控制的普遍问题。

锚用户预测的深度主动学习

原文标题:

Deep Active Learning for Anchor User Prediction

地址:

http://arxiv.org/abs/1906.07318

作者:

Anfeng Cheng, Chuan Zhou, Hong Yang, Jia Wu, Lei Li, Jianlong Tan, Li Guo

摘要: 预测锚在跨网络用户分析中起着重要作用。由于为锚定用户标记训练预测模型的成本昂贵,我们在本文中考虑了最小化多个网络中用户对的数量以进行标记以提高预测准确性的问题。为此,我们提出了一种用于锚定用户预测的深度主动学习模型(简称DALAUP)。

然而,锚定用户采样的主动学习遇到了非 i.i.d 用户对数据问题。这种问题是由网络结构和相关性引起的。为了解决这些挑战,DALAUP 使用带有共享参数的几个神经网络来获得用户对的向量表示,并集合三种查询策略来选择用于标记和模型训练的信息量最大的用户对。对现实世界社会网络数据的实验表明,DALAUP 优于最先进的方法。

声誉系统——向协作社区

中的编辑者公平配置点数

原文标题:

Reputation Systems — Fair allocation of points to the editors in the collaborative community

地址:

http://arxiv.org/abs/1906.07339

作者:

Shubhendra Pal Singhal

摘要: 在本文中,我们试图确定一个公平分配协作社区贡献者的方案。贡献者之间公平分配点的主要问题是我们必须分析文章版本的改进。可以说,与添加单个逗号的贡献相比,内容的主要变化有所贡献。在这种情况下,每个贡献者都不能得到相同的分数。有许多方法可以像新版本中的更改一样使用。

这可能看似相关,但在正确的内容贡献和其他重大变化方面变得无关紧要。也没有 AI 系统可以检测到这种变化并相应地奖励积分。因此需要通过具有理论证明的算法来呈现向贡献者分配点的问题。它依赖于系统中用户的交互式交互,这在大型系统设计经济的情况下并不重要。

演化集体智能(ECI)

的知识网络系统(KNS

):模型、算法和应用

原文标题:

Knowledge Network System (KNS) by Evolutionary Collective Intelligence (ECI): Model, Algorithm and Applications

地址:

http://arxiv.org/abs/1906.07358

作者:

Tao Xiang, Ziliang Huang, Peng Bai, Congrui Ji, Zhiyong Liu

摘要:为了克服传统的知识,推荐,搜索和社会系统遇到的一些固有的缺点和瓶颈,我们在本文中介绍了知识网络系统(KNS),这是一种新型的知识图,由一个新的演化集体智慧(ECI)算法。ECI 是一种单体-机器交互算法,通过迭代地向代理推荐有趣/匹配的样本/文件来构建 KNS,同时利用单体群的集体智慧。

据我们所知,基于 ECI 的 KNS 是在同一框架中集成知识网络构建,高质量推荐,新型搜索和社交功能的文献中的第一次尝试。讨论了 KNS 和 ECI 的一些实际和潜在应用,并提供了一个名为 VISVA 的真实系统来证明其功效。最后还总结了未来工作的一些未解决的问题。

DISCO:当影响最大

化遇到网络嵌入和深度学习

原文标题:

DISCO: Influence Maximization Meets Network Embedding and Deep Learning

地址:

http://arxiv.org/abs/1906.07378

作者:

Hui Li, Mengting Xu, Sourav S Bhowmick, Changsheng Sun, Zhongyuan Jiang, Jiangtao Cui

摘要: 自2003年推出以来,影响最大化(IM)问题在文献中引起了广泛的研究关注。IM 的目的是选择一组能够影响社会网络中最多个体的 k 个用户。这个问题被证明是 NP 难的。已经提出了大量近似算法来解决该问题。最先进的算法是基于采样的扩散路径估计节点的预期影响。由于最近证明所需样本的数量受特定阈值的限制,该特定阈值预设精度和效率之间的权衡,因此这些传统解决方案的结果质量难以进一步提高而不牺牲效率。

在本文中,我们提出了一个正交和新颖的范例,通过利用深度学习模型来估计预期影响来解决 IM 问题。具体来说,我们提出了一个名为 DISCO 的新框架,它结合了网络嵌入和深度强化学习技术来解决这个问题。对现实世界网络的实验研究表明,与最先进的经典解决方案相比,DISCO 在效率和影响传播质量方面实现了最佳性能。此外,我们还表明学习模型具有良好的通用性。

20年的流动性建模

和预测:趋势、缺点和观点

原文标题:

20 Years of Mobility Modeling & Prediction: Trends, Shortcomings & Perspectives

地址:

http://arxiv.org/abs/1906.07451

作者:

Vaibhav Kulkarni, Benoit Garbinato

摘要: 在本文中,我们基于1999年至2019年期间发表的1680篇文章,对人类流动建模进行了全面的调查,可以作为该领域研究和实践的路线图。流动建模研究加速了几个研究领域的进步,如城市规划,流行病模型,交通工程,并促进了基于位置的服务的发展。然而,虽然移动模型在不同领域的应用有所增加,但研究结果的可信度却降低了。我们强调了在我们评论的研究中常见的两个重大缺陷:

(1)数据不可知模型选择导致准确性与复杂性之间的较差权衡,以及(2)由于采用不准确的验证而无法确定经验收益的来源方法。尽管马尔可夫过程与人类 - 移动性动力学存在关联这件事存疑,但我们还观察到马尔可夫模型变体应用于移动性建模的令人不安的趋势。

为此,我们提出了一种数据驱动的移动性建模框架,该框架基于四个移动性元属性量化数据集的特征,以便选择最合适的预测算法。基于严格验证方法的三个真实移动数据集的实验评估证明了我们的框架正确分析模型准确性与复杂性权衡的能力。我们将这些结果与工具和文献元数据一起提供给社区,以提高人员移动建模研究的可靠性和可信度。

通过 Twitter 无监督

机器学习分析城市物流

原文标题:

Unsupervised machine learning to analyse city logistics through Twitter

地址:

http://arxiv.org/abs/1906.07529

作者:

Simon Tamayo (CAOR), François Combes (IFSTTAR/AME/SPLOTT), Gaudron Arthur (CAOR)

摘要: 城市物流的特点是多个利益相关者通常对这种复杂系统有不同的看法。从公共政策的角度来看,确定利益相关者,问题和趋势是一项艰巨的挑战,只有传统观察系统才能部分解决。如今,社交媒体是最大的公共表达渠道之一,通常用于传达与城市物流相关的意见和内容。这项研究的想法是,分析社交媒体内容可以帮助理解公众对城市物流的看法。

本文提供了一种从 Twitter 收集内容和实施机器学习技术(无监督学习和自然语言处理)的方法,以执行内容和情感分析。拟议的方法适用于包含城市物流关键术语的110 000多条推文。结果允许建立概念兴趣图和情感分析,以确定城市物流条目是积极的,消极的还是中立的。

用于临床应用的 fMRI

语言任务的核心语言脑网络

原文标题:

Core language brain network for fMRI-language task used in clinical applications

地址:

http://arxiv.org/abs/1906.07546

作者:

Qiongge Li, Gino Del Ferraro, Luca Pasquini, Kyung K. Peck, Hernan A. Makse, Andrei I. Holodny

摘要: 功能磁共振成像(fMRI)广泛用于临床应用,以突出涉及特定认知过程的大脑区域。脑损伤,例如肿瘤,抑制它们侵入的解剖区域的 fMRI 激活,因此,脑损伤的功能网络呈现缺失的链接/激活区域。识别缺失的大脑机能部分对于估计损坏程度至关重要。因此,对与临床任务相关但由健康个体执行的功能网络的研究成为最重要的考虑因素。

这些“健康”的网络确实可以用作临床研究的控制网络。例如,在这项工作中,我们研究了20个健康个体的功能结构,这些个体执行为临床目的而设计的语言任务。我们推出了一个贯穿所有研究对象的共同体系结构,其中包括 Broca 区域, Wernicke 区域,Premotor 区域和预补充运动区域。

我们通过使用k核心中心度量来研究该电路的连通性权重,并且我们发现这些区域中的三个属于用于所研究的特定任务的功能语言网络的最强健结构。我们的结果为主要重要功能连接的临床应用提供了有用的见解,因此应通过脑外科手术保留。

来源:网络科学研究速递

审校:陈曦

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

学术生涯早期与顶尖科学家合作可获得职业竞争优势 等24篇

通过网络观测数据进行个体治疗效果的机器学习 等14篇

非线性的因果关系检测背后的信息论度量 等15篇

创业筹款成功中重要外在因素的变动 等5篇

创业生态系统涌现出部门多样性 等12篇

加入集智,一起复杂!


网络流行病模型分析 | 网络科学论文速递10篇-集智俱乐部

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”

网络流行病模型分析 | 网络科学论文速递10篇-集智俱乐部

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