本文由机器翻译，仅供参考，感兴趣请查阅论文原文

核心速递

高阶交互作用下合作的演化：从网络到超图;
COVID-19期间的学校教学计划;
基于相互作用数据的SARS-CoV-2个体感染概率的持续学习与推断;
使用移动定位数据解释COVID-19的初始传播：一个案例研究;
使用数据驱动的SEIRD模型预测COVID-19在印度的传播情况;
预测和比较主要经济体COVID-19的非药物干预措施;
隔离疲劳：COVID-19大流行爆发后，美国重新开放之前，社会隔离措施的首次减少;
社交媒体上的立场检测：最新动态和趋势;
过往的生产约束当前的能源需求：全球能源消耗的持续增长以及对缓解气候变化的影响;
GroupIM：神经群推荐的互信息最大化框架;
时间一致网络的链路预测;
在线广告安全性：问题、分类和未来方向;
谱聚类的平均灵敏度;
不匹配模型下信息级联脆弱性的敏锐阈值;
使用大型GPS轨迹集生成路线选择集的实验;
使用蚁群启发方法将粪便从家畜农场转移到农田中作为肥料;

高阶交互作用下合作的演化：

从网络到超图

原文标题：

Evolution of Cooperation in the Presence of Higher-Order Interactions: from Networks to Hypergraphs

地址：

http://arxiv.org/abs/2006.03893

作者：

Giulio Burgio, Joan T. Matamalas, Sergio Gómez, Alex Arenas

摘要：许多实际系统的强烈特征是集体合作现象，其存在和性质仍然需要令人满意的解释。与它们的集体性质相一致，他们要求提供超越成对模型（例如图）的新的，更准确的描述，在成对模型中，所有交互一次都被视为仅涉及两个人。超图满足了这种需求，提供了从成对到更大组的系统数学表示。在这项工作中，通过使用不同的超图，我们通过分析公共物品博弈的演化动力学来研究群体互动如何影响结构化人口中合作的演变。在这里，我们表明，与网络互惠一样，群体互动也促进了合作。更重要的是，通过对入侵策略进行研究的入侵分析方法，我们表明了在异质结构的群体中，参与者之间的互惠度将如何随着互动顺序的增加而增长。这是由于联系的异质性，特别是由于个人在人口中脱颖而出。我们的分析代表了通过高阶相互作用研究演化动力学的第一步，并给出了为何异质高阶结构中的合作得以增强的见解。最后，它也提供了与交互模式的结构特性有关的合作和非合作行为并存的线索。

COVID-19期间的学校教学计划

原文标题：

Planning of School Teaching during COVID-19

地址：

http://arxiv.org/abs/2006.03672

作者：

Alberto Gandolfi

摘要：由于Covid-19，有超过10亿学生离校，他们被迫进行远程学习，这种学习有很多弊端，而且急于安排。此外，大多数国家目前不确定如何计划2020-2021学年的学校活动；所有这些使学习和教育成为当前大流行中最大的世界性问题。不幸的是，由于Covid-19潜伏期的长，在没有疫苗可用之前，全面开放学校似乎是不切实际的。为了支持一些亲自学习的可能性，我们研究了因学校开放而导致的流行病扩散的数学模型，并评估了旨在遏制因学校活动而导致的额外Covid-19病例的计划，同时确保有足够的数目课堂学习时间。我们考虑具有外部感染源和适当损失函数的SEAIR模型；经过实际的参数选择后，我们通过模拟退火在数值上确定了最佳的学校开放策略。事实证明，在课堂和远程教学的几天或几周内几乎定期轮换的混合模型通常是最佳的。这些解决方案除了包含Covid-19扩散外，在教学上也可以接受，并且也可以成为整个社会的驱动模型。在一个典型的例子中，最佳策略导致学校在200天中有90天开放，与学校相关的个人中Covid-19案例的数量增加了约66％，而不是原来的约250％全面开放的结果。

基于相互作用数据的SARS-CoV-2

个体感染概率的持续学习与推断

原文标题：

Continuous Learning and Inference of Individual Probability of SARS-CoV-2 Infection Based on Interaction Data

地址：

http://arxiv.org/abs/2006.04646

作者：

Shangching Liu (1), Koyun Liu (1), Hwaihai Chiang (1), Jianwei Zhang (2), Tsungyao Chang (1) ((1) Synergies Intelligent Systems, Inc., (2) University of Hamburg)

摘要：这项研究提出了一种新方法，该方法通过使用基于交互的连续学习和个人可能性推断（CLIIP）进行传染性排名，来确定SARS-CoV-2病毒的无症状携带者的可能性。该方法是基于个人有向图（IDG），使用多层双向路径跟踪和推理搜索而开发的。IDG由外观时间线和可随时间变化的空间数据确定。此外，该方法还考虑了潜伏期和可以代表实际情况的几个特征，例如存在的无症状携带者的数量。每次确认病例更新后，该模型都会收集交互特征，并根据周围人的状态推断个人感染的可能性。通过使用个性化双向SEIR模型来模拟传染过程，可以验证CLIIP方法。与传统的接触者追踪方法相比，我们的方法可将寻找潜在无症状病毒携带者所需的筛选和隔离大大减少94％。

使用移动定位数据解释COVID-19

的初始传播：一个案例研究

原文标题：

Explaining the Initial Spread of COVID-19 using Mobile Positioning Data: a Case Study

地址：

http://arxiv.org/abs/2006.03738

作者：

Stefano Maria Iacus, Carlos Santamaria, Francesco Sermi, Spyridon Spyratos, Dario Tarchi, Michele Vespe

摘要：这项工作对来自移动电话的汇总和匿名移动性数据的潜力进行了分析，以解释最近在欧洲爆发的COVID-19。数据由欧盟委员会与欧盟移动网络运营商（MNO）合作进行处理，以提高欧盟一级大流行的建模和预测质量。从欧盟规模的MNO衍生出的连通性矩阵可以帮助您了解扩散的初始动态。预期这项工作将为流行病学建模提供输入，以为控制措施的降级和恢复提供信息。行政区域之间的连接性数据也可以用于估计未来爆发的影响和传播。在法国进行的一项案例研究显示，仅移动性就可以解释病毒初始传播的52％到92％，而在爆发前没有作用，而在采取锁定措施后却具有缓慢的衰减作用。还显示出内部流动比跨地理部门的流动更为重要。

使用数据驱动的SEIRD模型预测

Covid-19在印度的传播情况

原文标题：

Forecasting the transmission of Covid-19 in India using a data driven SEIRD model

地址：

http://arxiv.org/abs/2006.04464

作者：

Vishwajeet Jha

摘要：已使用确定性易感性-暴露-感染-恢复-死亡（SEIRD）隔间模型研究了针对印度特定病例的SARS-CoV-2病毒引起的感染和死亡。最重要的流行病学参数之一，即感染的有效繁殖数是从报告的感染的日增长率数据中提取的，并且随时间变化被包含在模型中。我们评估了迄今为止实施的控制干预措施的效果，并估计了通过这些限制性措施避免的感染和死亡病例数。我们进一步提供了对未来Covid-19在印度传播的程度的预测，并预测了在各种潜在情况下可能发生的感染和死亡人数。

预测和比较主要经济体

COVID-19的非药物干预措施

原文标题：

Projecting and comparing non-pharmaceutical interventions to contain COVID-19 in major economies

地址：

http://arxiv.org/abs/2006.04018

作者：

Jingjing He, Xuefei Guan, Xiaochang Duan, Tian Shen, Jing Lin

摘要：隔离，自我隔离，社会隔离和病毒接触追踪等非药物干预（NPI）可以大大减少大流行期间病毒的传播。在COVID-19大流行的浪潮中，许多国家实施了各种NPI来控制和缓解感染。但是，由于缺乏量化因素，NPI的严格性以及由此产生的影响在不同国家之间仍不清楚。在这项研究中，我们采取了进一步的措施，使用政策强度因子（PIF）的概念将NPI的影响纳入大流行动力学模型。这个想法使我们能够将过渡速率表征为时变量而不是恒定值，从而捕获大流行中基本繁殖数量变化的动态行为。通过利用政府和世界卫生组织报告的大量数据，我们预测了世界主要经济体的大流行动态，包括感染，易感和康复病例的数量以及大流行持续时间。可以看出，提出的可变速率易感性暴露-感染-恢复（VR-SEIR）模型非常适合并预测了大流行的动态。我们进一步表明，所产生的PIF与NPI的严格性相关，这使我们能够预测当这些国家的NPI实施90天，180天，360天后最终受影响的人数。它提供了对已实施NPI有效性的定量分析，并为最大限度地减少受COVID-19影响的人们和经济影响提供了新的思路。

隔离疲劳：COVID-19大流行爆发后，

美国重新开放之前，

社会隔离措施的首次减少

原文标题：

Quarantine Fatigue: first-ever decrease in social distancing measures after the COVID-19 pandemic outbreak before reopening United States

地址：

http://arxiv.org/abs/2006.03716

作者：

Jun Zhao, Minha Lee, Sepehr Ghader, Hannah Younes, Aref Darzi, Chenfeng Xiong, Lei Zhang

摘要：随着新型冠状病毒病（COVID-19）在中国武汉的出现以及在全球范围内的迅速爆发，传染病改变了我们的日常出行方式。在这项研究中，我们的团队通过使用集成数据面板调查了大流行期间人们日常出行方式的变化。为了整合人员流动的各个方面，团队着重研究了基于五个基本人员流动指标计算出的社会距离指数（SDI）。SDI模式在4月初出现了平稳阶段，持续了大约两个星期。然后，这种现象导致SDI普遍下降，出行次数增加以及留在家里的人口百分比减少。我们将后者称为“隔离疲劳”。采用变化率（ROC）方法来追溯隔离疲劳的开始日期，该日期被指定为4月15日。我们的分析表明，尽管各州之间存在实质性差异，但大多数州的居民在同一时期开始出现隔离疲劳现象。由于知道没有一个州在4月下旬之前才正式宣布重新开放，这一观察变得更加重要，这表明人们决定在正式重新宣布之前放松他们的社会疏远做法。此外，我们的分析表明，官方重新开放导致SDI的下降更快，引发了对第二波爆发的担忧。各州之间的同步趋势也强调了对未来采取更加全国性的决策态度的重要性，因为每个州的状况取决于其他州的行为。

社交媒体上的立场检测：

最新动态和趋势

原文标题：

Stance Detection on Social Media: State of the Art and Trends

地址：

http://arxiv.org/abs/2006.03644

作者：

Abeer AlDayel, Walid Magdy

摘要：社交媒体上的立场检测是一种新兴的观点挖掘范例，适用于各种社会和政治应用，其中情感分析可能不理想。本文对立场检测工作进行了综述，并将其使用在当前社交媒体中的意见挖掘技术中。呈现了对社交媒体上姿势检测技术的详尽回顾，包括任务定义，姿势检测中目标的不同类型，使用的功能集以及所应用的各种机器学习方法。该调查报告了现有基准数据集上关于姿态检测的最新结果，并讨论了最有效的方法。此外，本研究还探讨了姿态检测在社交媒体上的新兴趋势和不同应用。通过提供有关当前现有研究中的问题的讨论，并重点介绍社交媒体上姿势检测的可能未来方向。

过往的生产约束当前的能源需求：

全球能源消耗的持续增长

以及对缓解气候变化的影响

原文标题：

Past production constrains current energy demands: persistent scaling in global energy consumption and implications for climate change mitigation

地址：

http://arxiv.org/abs/2006.03718

作者：

Timothy J. Garrett, Matheus R. Grasselli, Stephen Keen

摘要：气候变化已与全球经济交织在一起。在这里，我们描述了惯性对能源消耗持续增长的重要性。根据热力学论证，并使用1980年至2017年之间38年的可用统计数据，我们发现世界通货膨胀调整后的经济生产 Y 的历史时间积分 W 或 W left（ t right）= int_0 ^ t Y left（t’ right）dt’，以及当前世界一次能源消耗率 mathcal E ，因此 lambda = mathcal E / W = 5.9 pm0.1 千兆瓦/万亿美元2010年。该经验结果表明，人口膨胀是症状，而不是当前美元 E 和二氧化碳排放量 C 呈指数增长的原因，并且这是过去的经济生产效率 Y / mathcal E 美元一直是增长的主要动力，其预计增长率与数据非常吻合。然后，通过持续实施每天超过1吉瓦的可再生或核电容量，稳定 C 的选择仅限于 mathical E 的快速脱碳。或者，假设继续依赖化石燃料，文明可能会转向稳态经济，这种经济将经济生产专门用于维护而不是扩张。如果立即采取措施，则仍将需要持续消耗能量，因此，大气中二氧化碳的浓度直到浓度超过500 ppmv时，才能平衡自然汇；如果到2030年达到稳态，则工业化前水平将增加一倍。

GroupIM：

神经群推荐的互信息最大化框架

原文标题：

GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation

地址：

http://arxiv.org/abs/2006.03736

作者：

Aravind Sankar, Yanhong Wu, Yuhang Wu, Wei Zhang, Hao Yang, Hari Sundaram

摘要：我们研究了向临时群体提出项目建议的问题，临时群体包括短暂的历史活动或没有历史活动的用户。现有研究针对具有大量活动历史的持久性人群，而短暂性人群缺乏历史互动。为克服组交互的稀疏性，我们提出了数据驱动的正则化策略，以利用同一组用户之间的偏好协方差以及用户个人偏好与每个组的上下文相关性。我们做出两个贡献。首先，我们提出了一个与架构师无关的推荐程序框架GroupIM，该框架可以集成任意神经偏好编码器和聚合器以用于临时组推荐。其次，我们通过以下方式来规范化用户-组潜在空间，以克服组交互的稀疏性：最大化组与组成员表示之间的相互信息；通过上下文偏好权重动态地对高信息量成员的偏好进行优先排序。我们在多个实际数据集上的实验结果表明，与最新的组推荐技术相比，性能有了显著提高（相对NDCG @ 20为31-62％）。

时间一致网络的链路预测

原文标题：

Link Prediction for Temporally Consistent Networks

地址：

http://arxiv.org/abs/2006.03804

作者：

Mohamoud Ali, Yugyung Lee, Praveen Rao

摘要：动态网络具有内在的结构，计算和多学科优势。链路预测估计动态网络中的下一个关系。然而，在当前的链路预测方法中，仅考虑二分或非二分但均质的网络。使用邻接矩阵表示动态演化的网络限制了从异构，稀疏或形成网络中进行分析学习的能力。在异构网络的情况下，使用二进制值矩阵对所有网络状态进行建模可能很困难。另一方面，稀疏的或当前形成的网络具有许多缺失的边，这些边表示为零，从而导致类不平衡或噪声。我们提出了一个时间参数化矩阵（TP-matrix），并通过经验证明了其在非二分异构网络中的有效性。此外，我们提出了一种预测影响指数，作为对节点在n度邻域的时空上使用后向和前向最大化的增强或减弱预测影响的度量。我们进一步提出了一种新方法，可以将异构时间演化活动规范地表示为时间参数化网络模型（TPNM）。新方法可以使活动以网络形式表示，从而有可能激发新的链路预测应用程序，包括智能业务流程管理系统和上下文感知工作流引擎。我们在不同网络系统的四个数据集上评估了我们的模型。我们目前的结果表明，提出的模型在捕获和保留动态演化网络中的时间关系方面更为有效。我们还表明，对于对时间演化敏感的网络，我们的模型比最新的链路预测基准测试结果表现更好。

在线广告安全性：

问题、分类和未来方向

原文标题：

Online Advertising Security: Issues, Taxonomy, and Future Directions

地址：

http://arxiv.org/abs/2006.03986

作者：

Zahra Pooranian, Mauro Conti, Hamed Hadaddi

摘要：通过革新商业营销，在线广告已成为互联网经济的支柱。它为广告商提供了一种简单有效的方式来向特定的个人用户展示其广告，并且在最近几年中，促成了数个基于Web的企业收入的爆炸式增长。例如，谷歌的广告收入在2016年至2018年期间增长了51.6％，达到1368亿美元。广告收入的这种指数增长促使欺诈者利用在线广告模型的弱点来赚钱，研究人员发现模型中的新安全漏洞，提出对策并预测研究的未来趋势。基于这些考虑，本文对在线广告系统的安全威胁进行了全面的回顾。我们首先介绍在线广告系统的动机，解释它与传统广告网络的不同之处，介绍术语，并定义当前的在线广告体系结构。然后，我们设计一种针对在线广告的攻击的全面分类法，以提高研究人员对在线广告生态系统漏洞的认识。我们讨论了为保护广告生态系统中的实体免受这些攻击而开发的对策的局限性和有效性。为了完成我们的工作，我们确定了一些悬而未决的问题，并概述了一些未来的研究方向，以改进在线广告系统的安全方法。

谱聚类的平均灵敏度

原文标题：

Average Sensitivity of Spectral Clustering

地址：

http://arxiv.org/abs/2006.04094

作者：

Pan Peng, Yuichi Yoshida

摘要：谱聚类是在图中查找聚类的最流行的聚类方法之一，在数据挖掘中发现了许多应用。但是，由于测量错误，出于隐私原因而保留或数据转换中的任意性，这些应用程序中的输入图可能会有许多缺失的边。为了基于谱聚类做出可靠，有效的决策，我们使用平均灵敏度的概念评估输入图中图谱聚类相对于边扰动的稳定性，该平均灵敏度是我们随机前后输出簇的对称差异的预期大小。去除边。我们首先证明谱聚类的平均灵敏度与 lambda_2 / lambda_3 ^ 2 成正比，其中 lambda_i 是（规范化）拉普拉斯算子的第i个最小特征值。我们还证明了 k -way谱聚类的相似边界，它将图分成 k 聚类。然后，我们通过对合成网络和真实网络进行实验，从经验上确定我们的理论界限。我们的结果表明，当输入图中存在聚类结构时，谱聚类对于边扰动是稳定的。

不匹配模型下

信息级联脆弱性的敏锐阈值

原文标题：

Sharp Thresholds of the Information Cascade Fragility Under a Mismatched Model

地址：

http://arxiv.org/abs/2006.04117

作者：

Wasim Huleihel, Ofer Shayevitz

摘要：我们分析了一个顺序决策模型，在该模型中，决策者（或参与者）根据自己的私人信息以及先前决策者的行动来做出决策。这种决策过程通常会导致所谓的“ emph 信息级联或 emph herding现象。具体来说，当某些玩家放弃自己的私人信息并模仿较早玩家的行为似乎很合理时，就会形成级联。但是，风险是，如果最初的决定是错误的，那么整个级联将是错误的。但是，已知信息级联非常脆弱：存在一系列 emph revealing概率 p ell ell geq1 ，例如，如果概率为 p ell 玩家 ell 忽略了先前玩家的决定，仅依靠其私人信息，可以避免错误的级联。以前研究信息级联的脆弱性的相关论文总是假设所有参与者都知道揭露概率，这在实践中可能是不现实的。因此，在本文中，我们研究了一个不匹配模型，其中玩家认为当他们实际为 p ell 时，揭示的概率为 q ell ell in mathbb N _ ell in mathbb N ，并研究这种不匹配对信息级联的影响。我们同时考虑了对抗性和概率性顺序决策模型，并得出了最优学习率的闭式表达式，在该表达式中，与某个决策者相关的错误概率变为零。我们证明了渐近学习率行为中的几种新颖的相变。

使用大型GPS轨迹集

生成路线选择集的实验

原文标题：

Experiments on route choice set generation using a large GPS trajectory set

地址：

http://arxiv.org/abs/2006.04536

作者：

Rui Yao, Shlomo Bekhor

摘要：文献中开发的几种路径选择模型都是基于相对较少的观察结果。随着最近调查中跟踪设备的广泛使用，有可能获得有关旅行者选择行为的见解。在本文中，使用大型GPS轨迹数据集评估了不同的路径生成算法。该数据集包含来自特拉维夫市区的6,000个观测值。通过基于最短路径生成一条路径来执行初始分析。使用一条路径可以覆盖6,000个观测值中的近60％（假设重叠阈值为80％）。该结果与以前的文献发现形成了鲜明的对比。应用链路惩罚，链路消除，仿真和过孔节点方法生成路由集，并比较算法的一致性。一种改进的链接惩罚方法，考虑了使用更高等级的道路的偏好，它提供了具有97％覆盖率（80％重叠阈值）的路线集。via-node方法生成具有令人满意的覆盖范围的路由集，并生成更加异构的路由（就链路数和路由比率而言）。

使用蚁群启发方法将粪便

从家畜农场转移到农田中作为肥料

原文标题：

Transfer of Manure from Livestock Farms to Crop Fields as Fertilizer using an Ant Inspired Approach

地址：

http://arxiv.org/abs/2006.04573

作者：

Andreas Kamilaris, Andries Engelbrecht, Andreas Pitsillides, Francesc X. Prenafeta-Boldu

摘要：集约化畜牧生产大量的动物排泄物，可能对环境造成负面影响，如果管理不当，则会使附近的水体被过量的养分污染。但是，如果将动物粪便出口到遥远的农田用作有机肥料，则可以减轻污染。对于通过牲畜粪便找到满足营养作物需求的物流过程的最佳解决方案而言，这是一个单目标优化问题。本文基于蚂蚁的觅食行为（AIA）启发，提出了一种基于自然启发的分散合作技术来解决该问题的动态方法。结果为决策者提供了关于将动物粪肥用作农田肥料的潜力的重要见解，而友邦保险有效地解决了这个问题，对农民是一种公平的方式，并且在平均运输距离上需要均衡地解决。每个牲畜养殖者。我们的工作构成了一个分散式友邦保险（AIA）在这个有趣的现实世界问题上的首次应用，在这个群体智能方法仍未得到充分利用的领域。