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

“粉丝经济”对中国流行音乐产业有用吗？；
经典多体系统中的异常热输运: 概述与展望；
基于特征值分析的延迟油藏计算方法改进；
动态图形中的实时流异常检测；
基于文本的心理健康支持中移情表达的计算方法研究；
通过因果推理框架理解编辑 Tweets 对媒体分享新闻的影响；
一种基于中间中心性的网络高层数据分类算法；
处理新冠肺炎疫苗的犹豫不决；
基于特征工程的城市道路网数据驱动交通状态预测；
解释社会重力定律的自由实用新型；
我们团结一致: 传递图神经网络在大流行预测中的应用；

“粉丝经济”

对中国流行音乐产业有用吗？

原文标题：

Does “Fans Economy” Work for Chinese Pop Music Industry?

地址：

https://pattern.swarma.org/paper?id=0a2e54e8-f968-11ea-a32b-0242ac1a000a

作者：

Hao Wang

摘要：近年来，中国已成为世界上最大的娱乐市场之一。由于小米的成功，许多中国流行音乐产业的企业家相信“粉丝经济”在流行音乐产业中起作用。“歌迷经济”是基于流行音乐消费市场可以根据艺术家分割的假设。每个音乐艺术家都有自己独一无二的忠实粉丝。本文对流行音乐艺术家和歌迷的社会网络进行了深入的研究。特别是，我们分别细分流行音乐消费市场和流行音乐艺术家。我们的研究结果表明，由于“马太效应”和消费者市场的有限多样性，“粉丝经济”并不适用于中国的流行音乐产业。

经典多体系统中的异常热输运:

概述与展望

原文标题：

Anomalous heat transport in classical many-body systems: overview and perspectives

地址：

https://pattern.swarma.org/paper?id=58612d56-f973-11ea-a32b-0242ac1a000a

作者：

Giuliano Benenti,Stefano Lepri,Roberto Livi

摘要：本文旨在阐述反常热扩散研究的最新成果，同时指出目前存在的问题和研究前景。我们简要回顾了低维经典非谐链现象的主要特征，并概述了扰动可积系统以及长程力和磁场效应的一些最新发展。介绍了纳米尺度下材料科学中热传导的一些精选应用。在第二部分中，我们讨论了反常传导对耦合输运的作用，并描述了具有反常(热)扩散的系统如何在热电流到粒子电流的转换过程中实现更好的功率效率平衡。

基于特征值分析的

延迟油藏计算方法改进

原文标题：

Improving Delay Based Reservoir Computing via Eigenvalue Analysis

地址：

https://pattern.swarma.org/paper?id=36cc11a6-f96e-11ea-a32b-0242ac1a000a

作者：

Felix Köster,Serhiy Yanchuk,Kathy Lüdge

摘要：通过比较数值计算的查全率和特征值谱，分析了 Lang-Kobayashi 系统的水库计算能力。通过对特征值谱的分析，证明了这两个量之间存在着深刻的联系，从而可以预测油藏的计算性能。我们的结果表明，任何用作储层的动力系统都可以用这种方法来分析，只要储层扰动足够小。对于特征值实部接近零和虚部非共振的系统，得到了系统的最优性能。

动态图形中的实时流异常检测

原文标题：

Real-Time Streaming Anomaly Detection in Dynamic Graphs

地址：

https://pattern.swarma.org/paper?id=0d3e64c0-f968-11ea-a32b-0242ac1a000a

作者：

Siddharth Bhatia,Rui Liu,Bryan Hooi,Minji Yoon,Kijung Shin,Christos Faloutsos

摘要：给定一个动态图中的图边流，我们如何以在线方式为边分配异常值，以便利用常量时间和内存检测异常行为？现有的方法旨在检测单个令人惊讶的边缘。在这项工作中，我们提出 MIDAS，它专注于检测微簇异常，或者突然出现的边缘可疑的相似组，比如步调一致的行为，包括网络流量数据中的分布式拒绝服务攻击攻击。我们进一步提出 MIDAS-F，以解决异常被纳入到算法的内部状态的问题，创造一个“中毒”效应，可以允许未来的异常漏过未被发现。MIDAS-F 引入了两个修改: 1)修改异常评分函数，以减少新到边的“中毒”效应; 2)引入条件合并步骤，在每次滴答后更新算法的数据结构，但只有当异常评分低于阈值时，才更新算法的数据结构，同时减少“中毒”效应。实验结果表明，MIDAS-F 比 MIDAS 具有更高的精度。MIDAS 具有以下特性: (a)它检测微集群异常，同时为其假阳性概率提供理论保证; (b)它是在线的，因此在固定时间和固定内存中处理每个边缘，并且处理数据的速度比最先进的方法快130至929倍; (c)它提供比最先进的方法高41% 至55% 的准确率(按 ROC-AUC 计算)。

基于文本的心理健康支持中

移情表达的计算方法研究

原文标题：

A Computational Approach to Understanding Empathy Expressed in Text-Based Mental Health Support

地址：

https://pattern.swarma.org/paper?id=0caadc64-f968-11ea-a32b-0242ac1a000a

作者：

Ashish Sharma,Adam S. Miner,David C. Atkins,Tim Althoff

摘要：同理心是成功的心理健康支持的关键。同理心测量主要发生在同步的、面对面的设置中，并且可能不会转化为异步的、基于文本的上下文。因为数以百万计的人使用基于文本的平台来获得心理健康支持，所以理解同理心在这些情况下是至关重要的。在这项工作中，我们提出了一种计算方法来理解同理心是如何在网络心理健康平台上表达的。我们发展了一个新的统一的理论基础框架来描述文本会话中的移情交流。我们收集并共享一个由10k (post，response)对组成的语料库，该语料库使用这个移情框架注释，并提供了注释的支持证据(原理)。我们开发了一个基于 roberta 的多任务双编码器模型，用于识别会话中的移情作用，并提取其预测背后的理由。实验表明，我们的方法可以有效地识别移情对话。我们进一步应用这个模型来分析235k 的心理健康互动，并表明随着时间的推移，用户不会自学移情，这揭示了移情训练和反馈的机会。

通过因果推理框架理解编辑

Tweets 对媒体分享新闻的影响

原文标题：

Understanding Effects of Editing Tweets for News Sharing by Media Accounts through a Causal Inference Framework

地址：

https://pattern.swarma.org/paper?id=02908cec-f968-11ea-a32b-0242ac1a000a

作者：

Kunwoo Park,Haewoon Kwak,Jisun An,Sanjay Chawla

摘要：为了获得更广泛的受众和优化新闻文章的流量，媒体通常运行社交媒体账户，并通过简短的文本摘要分享其内容。尽管在分享文章时写出引人注目的信息非常重要，但研究界对于哪些编辑策略能够有效促进受众参与并没有足够的理解。在这项研究中，我们旨在填补差距，通过分析目前的媒体渠道使用数据驱动的方法。我们首先建立一个由八个媒体共享的原始新闻文章和相应推文的平行语料库。然后，我们探讨这些媒体如何对照原始标题编辑推文，以及效果如何。为了评估编辑新闻标题对受众参与社会媒体分享的影响，我们提出了一个系统的分析，结合了因果推理技术和深度学习; 使用倾向评分匹配，它允许评估潜在的优势编辑风格相比，反事实情况下，类似的新闻文章分享与不同的风格。根据对各种编辑风格的分析，我们报告了各种风格的共同和不同的影响。为了了解各种编辑风格的影响，媒体渠道可以应用我们的易于使用的工具自己。

一种基于中间中心性的

网络高层数据分类算法

原文标题：

A Network-Based High-Level Data Classification Algorithm Using Betweenness Centrality

地址：

https://pattern.swarma.org/paper?id=dd7ba914-f967-11ea-a32b-0242ac1a000a

作者：

Esteban Vilca,Liang Zhao

摘要：数据分类是一种主要的机器学习范式，被广泛应用于解决大量的实际问题。传统的数据分类技术只考虑输入数据的物理特征(如距离、相似度或分布)。由于这个原因，这些被称为 textit { low-level }分类。另一方面，人类(动物)大脑同时执行低级和高级的学习任务，它具有根据输入数据的语义意义识别模式的能力。不仅考虑物理属性而且考虑模式形成的数据分类称为 textit { high-level }分类。已经开发了几种高级分类技术，它们利用复杂的网络来表征数据模式，并取得了可喜的结果。本文提出了一种基于纯网络的高级分类技术，该技术使用了中间中心性度量。我们在九个不同的实际数据集中对该模型进行了测试，并与其他九个传统的和著名的分类模型进行了比较。结果表明，该算法具有良好的分类性能。

处理新冠肺炎疫苗的犹豫不决

原文标题：

Not sure? Handling hesitancy of COVID-19 vaccines

地址：

https://pattern.swarma.org/paper?id=4e535a94-f966-11ea-a32b-0242ac1a000a

作者：

N. F. Johnson,N. Velasquez,R. Leahy,N. Johnson Restrepo,O. Jha,Y. Lupu

摘要：从第一批2019冠状病毒疾病疫苗投放市场的那一刻起，全球人口的很大一部分就需要准备就绪。因此，开始管理全球对任何此类2019冠状病毒疾病疫苗日益增长的犹豫是至关重要的。目前试图说服”不”的方法不能够很快地发挥作用，目前试图发现、删除和/或驳斥所有关于 COVID 和疫苗的错误信息的政策也不能很快地发挥作用。相反，我们展示了如何以一种更简单的方式来做到这一点，即不再追逐错误信息内容，而是专注于管理“是——不——不确定”的犹豫不决生态系统。

基于特征工程的城市道路

网数据驱动交通状态预测

原文标题：

Feature Engineering for Data-driven Traffic State Forecast in Urban Road Networks

地址：

https://pattern.swarma.org/paper?id=4b73e87a-f966-11ea-a32b-0242ac1a000a

作者：

Felix Rempe,Klaus Bogenberger

摘要：大多数交通状态预测算法在应用于城市道路网络时，只考虑目标位置附近的连接点。然而，对于较长期的预测，网络中较远的链路或区域的业务状态也可望为数据驱动的算法提供有价值的信息。本文研究了使用一个网络聚类算法和一个大型车队收集的浮动车(FCD)的一年期望。首先，将聚类算法应用到数据中，提取慕尼黑城市网络中容易出现拥塞的区域;。利用统计工具对这些集群内部的拥塞程度进行了分析。确定了清晰的时空拥塞模式和聚类区域之间的相关性。这些相关性被集成到一个 k- 最近邻(KNN)旅行时间预测算法中。与其他方法相比，该方法取得了较好的效果。统计结果和 KNN 预测器的性能表明，考虑网络流量是预测器的一个有价值的特征，也是未来发展更精确算法的一条有希望的途径。

解释社会重力定律的自由实用新型

原文标题：

Free utility model for explaining the social gravity law

地址：

https://pattern.swarma.org/paper?id=46c3fae0-f966-11ea-a32b-0242ac1a000a

作者：

Hao Wang,Xiao-Yong Yan,Jinshan Wu

摘要：社会重力规律广泛存在于人类旅游、人口迁移、商品贸易、信息交流、科学合作等领域。为什么在许多复杂的社会系统中存在这样一个简单的法则是一个有趣的问题。尽管来自统计物理、复杂系统、经济学和交通科学等领域的科学家已经解释了社会引力定律，但是仍然缺乏包括个体相互作用和有限理性这两个主要机制在内的理论解释。在这里，我们提出了一个自由效用模型，从个人选择行为的角度来解释社会重力定律。其基本假设是，有限理性的个体之间相互作用，将权衡期望效用和信息处理成本，以最大化自身的效用。以往对社会重力规律的解释，包括最大熵模型、自由成本模型、 Logit 模型和目的地选择博弈模型，都是我们模型下的特例。进一步，我们将免费效用模型推广到虚拟网络和实际交通网络。该模型不仅有助于我们更好地理解复杂社会系统中空间互动模式的潜在机制，而且为理解博弈论和交通科学中的用户均衡模型提供了一个新的视角。

我们团结一致:

传递图神经网络

在大流行预测中的应用

原文标题：

United We Stand: Transfer Graph Neural Networks for Pandemic Forecasting

地址：

https://pattern.swarma.org/paper?id=7c0c6308-f967-11ea-a32b-0242ac1a000a

作者：

George Panagopoulos,Giannis Nikolentzos,Michalis Vazirgiannis

摘要：最近爆发的2019冠状病毒疾病已经影响了全世界数以百万计的人，并且对全球的医疗保健提出了重大的挑战。从流感大流行的早期开始，人们就清楚地认识到，它具有高度传染性，人类的流动性大大促进了它的传播。在本文中，我们研究了人口迁移对2019冠状病毒疾病传播的影响，并利用图表示学习领域的最新进展来捕捉潜在的动态。具体来说，我们创建了一个图，其中节点对应于一个国家的地区，边权重表示人类从一个地区到另一个地区的流动性。然后，我们使用图形神经网络来预测未来病例的数量，将控制传播的潜在扩散模式编码到我们的学习模型中。此外，为了解释数量有限的培训数据，我们利用该流行病在各国的异步爆发，并使用一种基于模型不可知元学习的方法，将知识从一个国家的模型转移到另一个国家的模型。我们比较提出的方法与简单的基线和更传统的预测技术在3个欧洲国家。实验结果证明了该方法的优越性，突出了 GNNs 在流行病学预测中的应用价值。转移学习提供了最好的模型，突出表明如果利用过去/平行爆发的数据，它有可能提高二次波情况下预测的准确性。