集智斑图最新论文栏目，关注复杂系统、网络科学、计算社会科学、统计物理等领域的前沿进展，每天即时更新相关顶刊论文，和最新arXiv预印本论文。



本文是对近期arXiv论文的汇总编译（by 彩云小译）。更多最新论文，请扫二维码获取。

核心速递

  • 基于自注意机制的有向网络时间链路预测；

  • 自适应网络中的去同步转换；

  • 在线学习中噪声引起的退化；

  • 量子层次系统: 粗粒化涨落力，相关噪声退相干；

  • 复杂反应网络中的非正态和非单调动力学；

  • 波形蛋白细胞骨架: 当高分子物理学遇到细胞生物学；

  • 人与SARS-CoV-2 相互作用的多尺度统计物理；

  • 利用兴趣树进行数据发布；

  • 随机梯度下降对减少压力效果很好；

  • 使用移动电话数据观察新冠肺炎大流行期间全国流动性的变化；

  • 利用时变图分析年度招聘趋势的可视化探索系统；

  • 基于情感分析和深度学习的跨文化极性和情感检测——以新冠肺炎为例；

  • 集成层次聚合和关系度量学习的树结构感知图表示学习；

  • 大规模检测和积极主动影响疫情传播；

  • 分配与评价: 实现协作团队的最优绩效；

  • 度相关网络是边着色随机图的一种特殊情形；

  • 基于区块链交易图的比特币价格预测机器学习方法；

  • 增强或扭曲的群体智慧? 社会影响下舆论形成的个体为本模型；

  • 原子子图和网络的统计力学；

  • 复杂网络任意未知潜在几何的拓扑估计；

  • KCoreMotif: 一种基于 k 核分解和基模的大型网络图聚类算法；

  • 复合网络中的深度学习超扩散；

  • GraphReach: 使用可达性估计的局部感知图神经网络；

  • 社会网络分析中的同质性原则；

  • 内隐多特征学习对动态时间序列预测的制度影响；





基于自注意机制的

有向网络时间链路预测


原文标题：

TSAM: Temporal Link Prediction in Directed Networks based on Self-Attention Mechanism

地址：

https://arxiv.org/abs/2008.10021

作者：

Jinsong Li,Jianhua Peng,Shuxin Liu,Lintianran Weng,Cong Li


摘要：图形神经网络(GCN)的发展使得从不断演化的复杂网络中学习结构特征成为可能。尽管有很多现实的网络都是有向网络，但是很少有人研究有向网络和时间网络的性质。针对有向网络中的时间链路预测问题，提出了一种基于 GCN 和自注意机制的深度学习模型——时间链路预测模型。该模型采用了一种自动编码器结构，利用图形注意层来捕捉邻域节点的结构特征，同时利用一组图形卷积层来捕捉主题特征。利用一个具有自注意的图形递归单元层学习快照序列中的时间变化。我们在四个现实的网络上进行了对比实验，以验证 TSAM 的有效性。实验结果表明，在两种评估指标下，TSAM 的性能优于大多数基准测试。



自适应网络中的去同步转换


原文标题：

Desynchronization transitions in adaptive networks

地址：

http://arxiv.org/abs/2008.10543

作者：

Rico Berner,Eckehard Schöll,Serhiy Yanchuk


摘要：自适应网络根据其动态状态随时间变化其连通性。虽然结构静态网络中的同步问题已经得到了广泛的研究，但是这个问题对于自适应网络来说更具挑战性。在本文中，我们发展了一个适用于大类自适应网络的主稳定性方法。该方法通过解耦拓扑和动力学特性，将自适应网络的同步问题降低到低维系统。我们展示了自适应性和网络结构之间的相互作用是如何导致稳定岛的形成的。此外，我们还报道了由于整体耦合强度的增加而导致的去同步转换和复杂的部分同步模式的出现。我们用耦合相位振荡器的自适应网络和带有突触可塑性的 FitzHugh-Nagumo 神经元来说明我们的发现。



在线学习中噪声引起的退化


原文标题：

Noise-induced degeneration in online learning

地址：

http://arxiv.org/abs/2008.10498

作者：

Yuzuru Sato,Daiji Tsutsui,Akio Fujiwara


摘要：为了阐明梯度消失引起的高原现象，我们在此分析了多层感知器中退化子空间附近随机梯度下降动力学的稳定性。我们发现，在 Fukumizu-Amari 模型中，吸引区域存在于退化子空间中，一种新的强平台现象作为噪声诱导现象出现，使得学习速度远远低于确定性梯度下降法动力学。这里观察到的噪声引起的退化可望在一个广泛的感知器在线学习中被发现。



量子层次系统: 

粗粒化涨落力，相关噪声退相干


原文标题：

Quantum Hierarchical Systems: Fluctuation Force by Coarse-Graining, Decoherence by Correlation Noise

地址：

http://arxiv.org/abs/2008.09708

作者：

Bei-Lok Hu


摘要：尽管用朗之万动力学分析开放量子系统(具有独裁分裂)中的耗散、涨落、噪声和退相干问题是人们熟悉的主题，但在封闭量子系统中对相应问题的处理更为微妙，波尔兹曼对由许多平等成分组成的宏观系统(一个民主系统)中的耗散的解释就是明证。如何提取关于一个封闭的民主系统的有用的物理信息，这个系统没有明显的方法来区分一个成分和另一个，也没有存在控制某些特殊类型变量的守恒定律，例如，水动力变量—- 这是我们在本文中提出的问。从 Boltzmann 和朗之万的启示中，我们研究了: a)如何在一个封闭的民主体系中引入等级秩序——既可以通过实质也可以通过表现来定义; b)如何通过一个特定的顺序来执行等级粗级别划分，可以帮助我们理解宏观行为是如何从微观动态中产生的。我们给出了两个例子: a) BBGKY 层次中相关噪声的推导，以及如何利用 Boltzmann-Langevin 方程研究低阶相关的退相干; b)通过介质、量子场和原子内部自由度中相关变量的有序粗粒子推导量子涨落力。



复杂反应网络中的

非正态和非单调动力学


原文标题：

Non-normality and non-monotonic dynamics in complex reaction networks

地址：

http://arxiv.org/abs/2008.09616

作者：

Zachary G. Nicolaou,Takashi Nishikawa,Schuyler B. Nicholson,Jason R. Green,Adilson E. Motter


摘要：复杂的化学反应网络是许多工业和生物过程的基础，常常表现出化学物种浓度的非单调变化，通常用非线性模型来描述。这种非单调动力学在原则上是可能的，甚至在线性模型，如果定义模型的矩阵是非正规的，作为一个必要的非正交特征向量集拥有属性。然而，非正常性在多大程度上导致了非单调性行为仍然是一个悬而未决的问题。这里，我们用一个主方程来建立反应动态学的模型，推导出观察个别物种的非单调动力学的一般条件，确定非正态促进非单调性，但不是它的一个要求。相比之下，我们证明了非正态性是在 r é nyi 熵中观察到非单调动力学的必要条件。以氢燃烧为例，证明了在实验条件下，非单调动力学是由线性的连通组分链支撑的，而在典型的随机反应网络中，单个巨组分占优势。主方程的精确线性使我们能够为前所未有的规模的动力学网络(接近10的5次方个动力学变量，甚至对于只有20个反应和包括不到100个原子的网络)发展严格的理论和模拟。我们的结论也适用于其他的燃烧过程，我们发展的一般理论也适用于所有的化学反应网络，包括生物反应网络。



波形蛋白细胞骨架:

当高分子物理学遇到细胞生物学


原文标题：

The vimentin cytoskeleton: When polymer physics meets cell biology

地址：

https://arxiv.org/abs/2008.10563

作者：

Alison E. Patteson,Robert J. Carroll,Daniel V. Iwamoto,Paul A. Janmey


摘要：组织的正常功能取决于细胞承受压力和保持形状的能力。这个过程的中心是细胞骨架，由三个聚合物网络组成: f- 肌动蛋白、微管和中间丝。中间纤维蛋白是细胞中最丰富的细胞骨架蛋白之一，然而它们仍然是人们了解最少的蛋白之一。它们的结构和功能与其细胞骨架伴侣 F-actin 和微管的结构和功能不同。中间纤维网络展示了一种独特的延展性、柔韧性和韧性的组合，赋予了电池机械弹性。波形蛋白是一种中间纤维蛋白，在间充质细胞中表达。本文综述了波形蛋白中间纤维的物理生物学及其在使整个细胞和组织应对压力中的作用方面令人兴奋的新结果。



人与SARS-CoV-2 相互作用的

多尺度统计物理


原文标题：

Multiscale statistical physics of the Human-SARS-CoV-2 interactome

地址：

https://arxiv.org/abs/2008.09649

作者：

Arsham Ghavasieh,Sebastiano Bontorin,Oriol Artime,Manlio De Domenico


摘要：利用蛋白质相互作用(Protein-protein interaction，PPI)网络研究了 SARS-CoV-2病毒蛋白对人类细胞功能的影响，为进一步了解 ovid — 19蛋白质相互作用提供了理论依据。然而，我们对这种病毒和其他病毒因子之间的相似性的了解仍然非常有限。在这里，我们比较新型冠状病毒 PPI 网络与45个已知病毒，从统计物理学的角度。我们的结果表明，经典的分析，如渗滤不敏感的区别特征的病毒，而分析生化传播模式，使我们有意义的分类病毒和定量比较它们对人类蛋白质的影响。值得注意的是，当用类似于 gibbsian 的密度矩阵来表示每个系统的状态时，相应的由谱熵测量的宏观统计特性揭示了在多个尺度上病毒群的存在。总的来说，我们的研究结果表明 SARS-CoV-2与 sars 冠状病毒和 a 型流感病毒在小范围内表现出相似性，而在更大范围内与 HIV1和 HTLV1等病毒表现出更多的相似性。



利用兴趣树进行数据发布


原文标题：

Data Dissemination Using Interest Tree in Socially Aware Networking

地址：

https://arxiv.org/abs/2008.10449

作者：

Feng Xia,Qiuyuan Yang,Jie Li,Jiannong Cao,Li Liu,Ahmedin Mohammed Ahmed


摘要：社会感知网络(SAN)利用移动用户的社会特性，在机会主义环境中简化数据传播协议。该领域的现有协议利用用户兴趣、社会相似性和社区结构等各种社会特征来改善数据传播的性能。然而，用户利益之间的相互关系及其对数据传播效率的影响还没有得到充分的探讨。在本文中，我们分析了用户兴趣之间的各种关系，并使用一个基于层次的结构对它们进行建模，从而形成 SAN 范式下的社会共同体。我们提出了一种基于兴趣树的方案，它利用用户兴趣之间的关系来提高数据分发的性能。Int-Tree 的核心是兴趣树，这是一个基于树的社区结构，它结合了两个社会特征，即社区密度和社会关系，以支持数据传播。仿真结果表明，与 PROPHET 和 Epidemic 路由两种基准协议相比，Int-Tree 具有更高的传递率和更低的开销。此外，Int-Tree 的平均跳数为1.36，缓冲区大小、存活时间(TTL)和模拟持续时间方面的延迟可以容忍。最后，Int-Tree 在不同的参数下保持稳定的性能。



随机梯度下降对减少压力效果很好


原文标题：

Stochastic Gradient Descent Works Really Well for Stress Minimization

地址：

https://arxiv.org/abs/2008.10376

作者：

Katharina Börsig,Ulrik Brandes,Barna Pasztor


摘要：应力最小化是最好的研究力定向图布局方法之一，因为它可靠地产生高质量的布局。因此，令人惊讶的是，一种以随机梯度下降为基础的新方法(郑、帕瓦和古德曼，TVCG 2019)被声称改进了基于优胜劣汰的最先进方法。我们提供的实验证据表明，新方法实际上并没有产生更好的布局，但是它仍然是首选的，因为它更简单，对于糟糕的初始化具有鲁棒性。



使用移动电话数据观察新冠肺炎

大流行期间全国流动性的变化


原文标题：

Country-wide mobility changes observed using mobile phone data during COVID-19 pandemic

地址：

https://arxiv.org/abs/2008.10064

作者：

Georg Heiler,Tobias Reisch,Jan Hurt,Mohammad Forghani,Aida Omani,Allan Hanbury,Farid Karimipour


摘要：2020年3月，奥地利政府针对新型冠状病毒肺炎疫情采取了大范围的封锁措施。基于主观印象和轶事证据，奥地利的公共和私人生活突然停止了。在这里，我们从数量上评估了封锁对奥地利所有地区的影响，并利用近乎实时的匿名移动电话数据分析了整个奥地利人口流动的日常变化。描述了一种高效的数据聚合管道，通过量化特定兴趣点的移动电话业务量(POI)、分析个体轨迹和研究原点-目的点图的聚类结构，分析了移动性。我们发现，维也纳地铁站的通勤者减少了80% 以上，回转半径少于5亿的设备数量几乎翻了一番。人群迁移行为的研究结果突出了移动性网络结构的重大变化，表现为较高的模块性和从12个增加到20个被检测的群落。我们证明了流动性数据对流行病学研究的相关性，通过显示从伊施格尔镇(一个早期新型冠状病毒肺炎热点地区)流出的资金与报告的有8天时间滞后的新型冠状病毒肺炎病例之间的显著相关性。这项研究表明，移动电话使用数据允许对整个国家的移动行为的时刻量化。我们强调需要以匿名形式提高这些数据的可用性，以增强快速应对新型冠状病毒肺炎和未来流行病的能力。



利用时变图分析年度招聘趋势的

可视化探索系统


原文标题：

Visual Exploration System for Analyzing Trends in Annual Recruitment Using Time-varying Graphs

地址：

https://arxiv.org/abs/2008.10039

作者：

Toshiyuki T. Yokoyama,Masashi Okada,Tadahiro Taniguchi


摘要：行业人力资源专家(HR)对应届毕业生年度招聘数据进行人工分析，意味着需要对人力资源专家的招聘策略进行评估。每年都有不同的求职者向公司递交求职申请。应聘者的属性(如英语技能或学历证书)之间的关系可以用来分析多年数据中招聘趋势的变化。但是，大多数属性是非规范化的，因此需要彻底的预处理。这种不规范的数据妨碍了在数据分析的早期阶段对申请者之间的关系进行有效的比较。因此，一个视觉探索系统是非常需要的洞察力之间的关系申请人跨越多年的概述。在这项研究中，我们提出了极化属性的网络分析相关的实体关联(万能药)可视化系统。该系统集成了时变图形模型和异构表格数据的动态图形可视化。使用这个系统，人力资源专家可以交互式地检查两个属性之间的关系的潜在雇员跨越多年。进一步，我们展示了万能药的可用性，并用一些典型的例子来发现现实世界数据集中的隐藏趋势，然后描述了在万能药开发过程中获得的 HR 专家的反馈。建议的万能系统使人力资源专家可以直观地探索年度招聘的新毕业生。



基于情感分析和深度学习的

跨文化极性和情感检测

——以新冠肺炎为例


原文标题：

Cross-Cultural Polarity and Emotion Detection Using Sentiment Analysis and Deep Learning — a Case Study on COVID-19

地址：

https://arxiv.org/abs/2008.10031

作者：

Ali Shariq Imran,Sher Mohammad Doudpota,Zenun Kastrati,Rakhi Bhatra


摘要：在危机情况下，不同文化如何作出反应和应对，在一个社会应对这种情况的规范和政治意愿中占主导地位。通常情况下，做出的决定是由于事件、社会压力或时机的需要，而这些可能并不代表国家的意愿。虽然有些人对此感到满意，但其他人可能会表现出不满。冠状病毒(新型冠状病毒肺炎)使各国对各自政府的决策产生了一系列类似的情绪。在过去的几个月里，社交媒体上充斥着关于新型冠状病毒肺炎卫生组织、流行病、封锁、标签的正面和负面情绪的帖子。尽管在地理上很接近，但许多邻国对彼此的反应不同。例如，有许多相似之处的丹麦和瑞典，在各自政府做出的决定上却截然相反。然而，他们的国家的支持几乎是一致的，不像南亚邻国，那里的人们表现出了很多的焦虑和怨恨。这项研究旨在利用自然语言处理(NLP)和深度学习技术，检测和分析在大流行初期和封锁期间 Twitter 帖子所表现出来的情绪极性和情绪。深度长期短期记忆(LSTM)模型用于估计情绪极性和情绪从提取推特已经训练，以实现国家最先进的准确性的感情140数据集。表情符号的使用显示了一种独特而新颖的方式，可以验证从 Twitter 上提取的 tweets 上的监督式深度学习模型。



集成层次聚合和关系度量学习的

树结构感知图表示学习


原文标题：

Tree Structure-Aware Graph Representation Learning via Integrated Hierarchical Aggregation and Relational Metric Learning

地址：

https://arxiv.org/abs/2008.10003

作者：

Ziyue Qiao,Pengyang Wang,Yanjie Fu,Yi Du,Pengfei Wang,Yuanchun Zhou


摘要：尽管图形神经网络在同构图的节点表示方面已经显示出优越性，但是在异构图上利用图形神经网络仍然是一个具有挑战性的问题。其主要原因是 GNN 通过聚合邻居的信息来学习节点表示，而不考虑节点类型。针对这一问题，本文提出了利用关系或元路径对具有不同类别的邻居进行抽样，然后利用注意机制来了解不同类别的重要性。然而，一个局限性是不同类型节点的学习表示应该拥有不同的特征空间，而上述工作仍然将节点表示投影到一个特征空间中。此外，在研究了大量的异构图之后，我们发现具有相同类型的多个节点总是以另一种类型连接到一个节点，这揭示了多对一的模式，也就是层次树结构。但是以上的工作都不能保持这种树结构，因为邻居到目标节点的多跳路径关联通过聚合被删除。因此，为了克服文献的局限性，我们提出了树型结构感知图神经网络模型 T-GNN，用于图表示学习。具体而言，所提出的 T-GNN 包括两个模块: (1)集成的层次聚合模块和(2)关系度量学习模块。集成的层次聚合模块将 GNN 和门限递归单元相结合，将树结构上的层次和序列邻域信息集成到节点表示中，以保持树结构。关系度量学习模块的目的是通过将每种类型的节点嵌入到一个基于相似度量的具有不同分布的特定类型空间中来保持异质性。



大规模检测和积极主动影响疫情传播


原文标题：

Mass testing and proactiveness affect epidemic spreading

地址：

https://arxiv.org/abs/2008.10387

作者：

Saptarshi Sinha,Deep Nath,Soumen Roy


摘要：当病原体中含有无症状表型时，疾病的检测和管理变得相当复杂，这在最近的新型冠状病毒肺炎大流行期间是很明显的。在疾病易感-感染-康复-死亡(SIRD)动力学范式下，人们对疾病的传播进行了广泛的研究。各种各样的博弈论方法也处理了疾病传播问题，其中许多将 s、 i、 r 和 d 视为战略，而不是国家。值得注意的是，大多数来自上述方法的研究并没有说明疾病的症状或无症状方面的区别。众所周知，诸如洗手、戴口罩和社会疏远等预防措施可以显著减轻许多传染病的传播。在此，我们考虑采用诸如策略之类的预防措施，并将 s、 i、 r 和 d 视为状态。我们还试图捕捉有症状的和无症状的疾病引起的流行病传播的差异。通过大量的计算机模拟，我们研究了维持预防措施的成本以及在人群中进行大规模测试的程度如何影响积极主动的个体的最终比例。我们观察到，缺乏大规模检测可能导致无症状疾病的大流行。



分配与评价: 

实现协作团队的最优绩效


原文标题：

Assign and Appraise: Achieving Optimal Performance in Collaborative Teams

地址：

https://arxiv.org/abs/2008.09817

作者：

Elizabeth Y. Huang,Dario Paccagnan,Wenjun Mei,Francesco Bullo


摘要：处理复杂的团队问题需要理解每个团队成员的技能，以便设计一个任务分配，最大限度地提高团队绩效。本文提出了一个新的定量模型，描述了一个分散的过程，通过这个过程，团队中的个体学习谁拥有什么能力，同时将任务分配给每个团队成员。在该模型中，评价网络代表团队成员之间的相互评价，每个团队成员选择自己的工作量。评估和工作量分配同时发生变化: 每个成员根据以前任务的表现对相邻成员进行本地评估，而工作量则根据目前的评估估计数重新分配。我们证明，鉴定状态可以降低到一个较低的维度，由于存在的守恒量相关的周期的鉴定网络。在此基础上，我们提供了表征团队学习彼此技能的能力或无能的严格结果，从而收敛到最大化团队绩效的分配。我们用大量的数值实验来补充我们的分析。



度相关网络是边着色随机图的

一种特殊情形


原文标题：

Networks with degree-degree correlations is a special case of edge-coloured random graphs

地址：

https://arxiv.org/abs/2008.10506

作者：

Samuel,G. Balogh,Gergely Palla,Ivan Kryven


摘要：在复杂网络中，相邻节点的程度往往表现出依赖性——这就提出了一个建模的挑战。本文提出了一个研究任意联合分布的网络的工作框架，证明了这种网络是边着色随机图的一个特例。我们使用这个映射来研究具有近似节点配对的网络中的键逾渗，并且表明，与具有独立度的网络不同，连通分量的大小可能对度分布的扰动具有意想不到的敏感性。结果还表明，即使度分布的第二阶矩是有限的，度依赖也可能具有一个消失的逾渗阈值。这些结果可用于设计人工网络，有效地抵抗链路故障，并表明超级传播的可能性在网络中没有明显不同的枢纽。



基于区块链交易图的

比特币价格预测机器学习方法


原文标题：

A Blockchain Transaction Graph based Machine Learning Method for Bitcoin Price Prediction

地址：

https://arxiv.org/abs/2008.09667

作者：

Xiao Li,Weili Wu


摘要：作为最受欢迎的加密货币之一，比特币最近吸引了很多投资者的关注。因此，比特币的价格预测工作成为一个新兴的学术话题，可以提供有价值的见解和建议。现有的比特币预测工作大多基于微不足道的特征工程，手动设计来自多个领域的特征或因素，包括 Bticoin 区块链信息，金融和社会媒体情绪。特性工程不仅需要大量人力，而且无法保证直观设计的特性的有效性。本文旨在挖掘比特币交易中丰富的编码模式，并提出用 k 阶交易图来揭示不同范围下的模式。我们提出了基于事务图的特征来自动编码模式。提出了一种新的价格预测方法，该方法可以利用不同历史时期的特定模式进行价格预测。对比实验结果表明，本文提出的方法优于最新的方法。



增强或扭曲的群体智慧? 

社会影响下舆论形成的个体为本模型



原文标题：

Enhanced or distorted wisdom of crowds? An agent-based model of opinion formation under social influence

地址：

https://arxiv.org/abs/2008.10423

作者：

Pavlin Mavrodiev,Frank Schweitzer


摘要：我们提出了一个个体为本模型的集体意见形成研究群体的智慧在社会影响下。主体的意见是一个持续的正值，表示它对事实问题的主观回答。群众的智慧表明，所有观点的平均值都接近真理，即正确答案。但是，如果代理人有机会根据他人的意见调整自己的意见，这种效应就可能被破坏。我们的模型通过评估两个相互竞争的效应来考察这一情景: (i)代理人倾向于保留自己的意见(个人信念 β) ，(ii)他们倾向于调整自己的意见，如果他们知道别人的意见(社会影响 α)。对于后者，两种不同的制度(完全信息与聚合信息)进行了比较。我们的模拟表明，只有在极少数情况下，社会影响力才能提高群体的智慧。大多数情况下，我们发现代理人趋向于一种集体意见，这种集体意见离真正的答案甚至更远。因此，在社会影响下，群众的智慧可能是系统性错误的。



原子子图和网络的统计力学


原文标题：

Atomic subgraphs and the statistical mechanics of networks

地址：

https://arxiv.org/abs/2008.10346

作者：

Anatol E. Wegner,Sofia Olhede


摘要：我们建立了随机图模型，其中图不仅通过边连接顶点对，而且通过复制任意拓扑的小的原子子图来连接更大的顶点子集。这使得我们可以生成具有大量三角形和其他网络图案的图形，这些图形在现实世界的网络中很常见。更具体地说，我们集中于最大熵系综在约束条件下的计数和分布的原子子图，并推导出一般表达式的熵的这类模型。我们还提出了一个程序，结合分布的多个原子子图，使模型的建设与较少的参数。将模型扩展到包含边缘和顶点标签的原子，我们得到了一类可以参数化的基本模型及其分布，其中包含许多广泛使用的模型作为特殊情况。这些模型包括任意分布的随机图，子图，随机超图，二部模型，随机块模型，多层网络模型及其度校正和有向版本。我们证明，所有这些模型的熵都可以由一个表达式推导出来，这个表达式是原子子图的对称群的拥有属性。



复杂网络任意未知

潜在几何的拓扑估计


原文标题：

Topological estimation of arbitrary unknown latent geometries of complex networks

地址：

https://arxiv.org/abs/2008.10204

作者：

Bukyoung Jhun


摘要：许多网络隐藏在其潜在的几何图形中。如果两个节点紧密嵌入到潜在的几何图形中，那么它们被链接连接的概率就会不成比例地高。潜在的几何有广泛的实际应用，和一些流行病的过程传播通过潜在的几何。虽然广泛的研究已经致力于网络嵌入潜在双曲空间，很少有研究已经开发出一种方法来估计一般未知的复杂网络潜在几何。在这里，我们发展的方法估计未知的潜在几何的一个给定的网络通过删除链接高负荷根据一定的标准。我们的方法估计同调的潜在几何，并提供了一个简化的几何地图潜在。



KCoreMotif:

一种基于 k 核分解和基模的

大型网络图聚类算法


原文标题：

KCoreMotif: An Efficient Graph Clustering Algorithm for Large Networks by Exploiting k-core Decomposition and Motifs

地址：

https://arxiv.org/abs/2008.10380

作者：

Gang Mei,Jingzhi Tu,Lei Xiao,Francesco Piccialli


摘要：聚类分析已广泛应用于无线传感器网络和在线社会网络等各种复杂网络的信任评估。SVD 是图结构化数据(网络)最常用的算法之一。然而，传统的 SVD 分析方法由于需要昂贵的矩阵运算，因此在处理大规模网络时存在固有的困难。针对大型网络，本文提出了一种高效的图聚类算法—— KCoreMotif，该算法利用 k 核分解和模块技术对大型网络进行聚类。提出的聚类算法的基本思想是在 k 核子图上而不是在整个图上执行高效的基于模体的 SVD 算法。更具体地说，(1)我们首先对大型输入网络进行 k-core 分解; (2)然后对顶级 k-core 子图执行基于 motif 的 SVD 分解; (3)我们将其余的(k-1)-core 子图中的顶点分组到以前发现的集群中; 最后获得大型输入网络所需的集群。为了评估所提出的图聚类算法 KCoreMotif 的性能，我们使用传统的和基于主题的 SVD 算法作为基线，并与我们的算法对18组真实世界数据集进行了比较。比较结果表明，本文提出的图聚类算法对于大型网络是准确有效的，这也意味着该算法可以进一步用于评估大型网络上的簇内信任和簇间信任。



复合网络中的深度学习超扩散


原文标题：

Deep Learning Super-Diffusion in Multiplex Networks

地址：

https://arxiv.org/abs/1811.04104

作者：

Vito M. Leli,Saeed Osat,Timur Tlyachev,Dmitry Dylov,D Jacob D. Biamonte


摘要：复杂网络理论在理解复杂系统的涌现和集体行为方面取得了成功[1]。许多现实世界中的复杂系统最近被发现被更精确地模拟为复合网络[2-6]——其中每个交互类型都映射到它自己的网络层，例如多层交通网络、耦合社会网络、新陈代谢和调节网络等。超扩散是由多层结构产生的一种突出的物理现象: 与任何单层结构相比，多层结构所承认的加速扩散表现出来。理论上的超扩散只能通过多路网络及其相互作用层的拉普拉斯算子的光谱间隙来预测。这里我们转向机器学习，它已经发展了识别、分类和描述复杂数据集的技术。结果表明，现代机器学习体系结构，如全连通和卷积神经网络，可以对多路网络中存在的超扩散进行分类和预测，准确率达到94.12% 。这样的预测可以在现场进行，而不需要确定网络的光谱特性。



GraphReach:

使用可达性估计的

局部感知图神经网络


原文标题：

GraphReach: Locality-Aware Graph Neural Networks using Reachability Estimations

地址：

https://arxiv.org/abs/2008.09657

作者：

Sunil Nishad,Shubhangi Agarwal,Arnab Bhattacharya,Sayan Ranu


摘要：利用图形神经网络在低维空间表示图形是一个很有前途的研究课题，目前正在进行大量的研究工作。在本文中，我们提出了 GraphReach，一个位置感知的 GNN 框架，它可以捕获节点相对于一组固定节点的全局定位，称为锚点。该模型综合了锚节点和锚节点的可达性，通过多个随机游动获得。我们使用随机漫步，因为它能更好地捕捉局部性。一个广泛的实验评估比较不同变量的模型提供了深入了解其能力，以执行良好的下游预测任务。GraphReach 的性能明显优于当前最先进的模型，在 ROC AUC 测量的标准成对节点分类和链接预测任务中，它的性能分别提高了31个和11个百分点。



社会网络分析中的同质性原则


原文标题：

The Homophily Principle in Social Network Analysis

地址：

https://arxiv.org/abs/2008.10383

作者：

Kazi Zainab Khanam,Gautam Srivastava,Vijay Mago


摘要：近年来，社交媒体已经成为社交网络中无处不在和不可分割的一部分。社会研究者关注的一个重要问题是志趣相投的人在社会群体中相互交往的倾向，这一概念被称为同质性。对同质性的研究可以为社会中的信息流和行为提供卓越的洞察力，这对于分析在线社区的形成极其有用。本文回顾和调查了同质性在社会网络中的作用，总结了近年来提出的识别和衡量同质性在多种类型社会网络中的作用的最新方法，并对未来研究的挑战和方向进行了批判性的讨论。



内隐多特征学习

对动态时间序列预测的制度影响


原文标题：

Implicit Multi-feature Learning for Dynamic Time Series Prediction of the Impact of Institutions

地址：

http://arxiv.org/abs/2008.10447

作者：

Xiaomei Bai,Fuli Zhang,Jie Hou,Feng Xia,Amr Tolba,Elsayed Elashkar


摘要：预测研究机构的影响是决策者的一个重要工具，例如资助机构的资源分配。尽管在采用定量指标衡量研究机构的影响方面作出了重大努力，但人们对机构的影响如何随时间演变知之甚少。以往的研究主要集中在利用不同机构的历史相关性评分来预测这些机构未来的潜在影响。本文探讨了影响制度变迁的因素，发现制度变迁的影响力更多地取决于作者对制度的影响。制度特征和国内生产总值的地理位置可以推动制度影响力的变化。识别这些特征使我们能够建立一个综合考虑个人能力、制度位置和国家 GDP 影响的预测模型。该模型揭示了推动机构未来影响的潜在因素，可用于准确预测机构未来的影响。


来源：集智斑图
编辑：王建萍



复杂系统前沿文献交流群


如果你经常关注复杂系统和跨学科研究进展，是网络论文速递栏目的长期读者，欢迎扫描集智小助手，向我们反馈你的需求。欢迎提出宝贵意见，我们一起来探索追踪前沿进展的更好方式。


参与论文速递用户调研后，我们将邀请你加入集智的科研文献交流群。



近期网络科学论文速递


以貌取人: 面部知觉对社交网络中心性的影响 | 网络科学论文速递18篇

88国证据：新冠肺炎大流行的严重程度、封锁制度和人口流动 | 网络科学论文速递18篇

动力系统中因果关系的可靠检测 | 网络科学论文速递13篇

新冠疫情期间新浪微博上的注意力动力学 | 网络科学论文速递17篇

超级传播者和高变异传染病 | 网络科学论文速递19篇

加入集智，一起复杂！




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”

让苹果砸得更猛烈些吧！


👇点击“阅读原文”，了解更多最新arxiv论文