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

  • 因果发现的新框架；

  • Dif-MAML: 分散多主体元学习；

  • 面向未知环境映射的异构多主体强化学习；

  • 学习同步，学习同步；

  • 通过近非耦合随机游动提高基于项目的协同过滤；

  • 有向图网络；

  • 基于离散化的连续图表示学习；

  • 基于流媒体直播的大规模混合方法分析新冠肺炎大流行期间中国高校的远程教育经验；

  • 新冠肺炎: 短期访问高风险地区后的检疫期限；

  • 高保真社会学习的演变；

  • 无论是左派还是右派，党派偏见都预示着容易受到错误信息的伤害；

  • 新冠肺炎大流行中国大陆空间扩散模式的多重分形尺度分析；

  • Panhandlers 在多层种群中的演化；



因果发现的新框架


原文标题：

A new Framework for Causal Discovery

地址：

https://pattern.swarma.org/paper?id=eadf809a-0861-11eb-bf2a-0242ac1a000c

作者：

Peter Jan van Leeuwen,Michael DeCaria,Nachiketa Chakaborty,Manuel Pulido


摘要：在复杂非线性系统中，推导因果关系的理论框架很多，但缺乏完整的理论体系。提出了一个新的框架，它是完全非线性的，提供了一个完整的信息理论解纠缠的因果过程，允许原因之间的非线性相互作用，识别缺失或未知过程的因果强度，并可以分析系统不能表示在标准图。基本的构建模块是信息论度量，如(条件)互信息和一个新的概念所谓的确定性，单调增加的信息，我们有一个目标进程。详细介绍了新框架，并与现有框架进行了比较，讨论了混杂因素的处理方法。在几个高度简化的随机过程上进行了测试，以演示如何处理阻塞和网关，并在混沌洛伦兹1963系统上进行了测试。结果表明，该框架提供了局部动力学的信息，但也揭示了潜在吸引子的大尺度结构的信息。虽然框架不能区分具有结构的系统，但有人认为，任何基于综合量的因果框架都会遗漏潜在的重要信息，即潜在的概率密度函数。



Dif-MAML: 分散多主体元学习


原文标题：

Dif-MAML: Decentralized Multi-Agent Meta-Learning

地址：

https://pattern.swarma.org/paper?id=88321a86-0864-11eb-bf2a-0242ac1a000c

作者：

Mert Kayaalp,Stefan Vlaski,Ali H. Sayed


摘要：元学习的目标是利用从观察到的任务中获得的知识来提高对看不见的任务的适应能力。因此，元学习者在接受大量观察到的任务和每个任务有大量数据的训练时，能够更好地进行概括。考虑到所需的资源数量，通常很难期望任务、它们各自的数据以及必要的计算能力在单一的中心位置上可用。更自然的情况是，这些资源分布在通过某个图形拓扑连接的多个代理中。元学习的形式主义实际上非常适合这种分散化的设置，在这种设置下，学习者将能够受益于跨代理的信息和计算能力。基于这种观察，我们提出了一种协作式的全分散多智能体元学习算法，称为基于扩散的 MAML 或 dif-MAML。分散优化算法在可扩展性、避免通信瓶颈、保证隐私等方面优于集中优化算法。这项工作提供了一个详细的理论分析，表明所提出的策略允许一个代理的集合达到一个线性速率的协议，并收敛到聚合 MAML 目标的一个驻点，即使在非凸的环境。仿真结果验证了理论分析的正确性，并且表现出相对于传统非合作环境的优越性。



面向未知环境映射的

异构多主体强化学习


原文标题：

Heterogeneous Multi-Agent Reinforcement Learning for Unknown Environment Mapping

地址：

https://pattern.swarma.org/paper?id=833d2714-0864-11eb-bf2a-0242ac1a000c

作者：

Ceyer Wakilpoor,Patrick J. Martin,Carrie Rebhuhn,Amanda Vu


摘要：异构多代理场景中的强化学习对于真实世界的应用程序非常重要，但是它所带来的挑战超出了同构设置和简单基准测试所能看到的范围。在这项工作中，我们提出了一个参与者-评论算法，允许一组异构代理学习分散控制策略，以覆盖未知环境。这项任务对国家安全和应急反应组织很有意义，这些组织希望通过部署无人驾驶飞行器小组来加强危险地区的情势察觉安全。为了解决未知环境下的多智能体覆盖路径规划问题，提出了一种新的状态编码结构和三重学习损失结构，以支持异构智能体学习。提出了一种包含湍流、延迟通信和代理丢失等实际环境因素的仿真环境，以训练代理团队，并探讨其对这些干扰的鲁棒性和灵活性。



学习同步，学习同步


原文标题：

Learn to Synchronize, Synchronize to Learn

地址：

https://pattern.swarma.org/paper?id=ee239f34-0861-11eb-bf2a-0242ac1a000c

作者：

Pietro Verzelli,Cesare Alippi,Lorenzo Livi


摘要：近年来，机器学习领域对于研究训练过程和完善模型的动力学方面的研究兴趣不断增长。特别感兴趣的递归神经网络，我们有水库计算(RC)范式的概念简单和快速的训练方案。然而，我们对驻地协调员的指导原则只有部分了解。在本文中，我们研究了具有 RC 的学习动态系统背后的性质，并提出了一种基于广义同步(GS)的新的指导原则，给出了它的可行性。我们证明了众所周知的回波状态特性(ESP)隐含并被 GS 隐含，因此当 GS 隐含时，由 ESP 得到的理论结果仍然成立。然而，通过将油藏动力学与读出训练相结合，可以有效地研究 RC 学习过程。值得注意的是，这使我们能够清楚地了解储存器执行的输入编码和为手头任务优化的读出所产生的输出之间的相互作用。此外，我们还指出，与 ESP 相反，GS 的满意度可以通过相互错误的最近邻指数来衡量，这对从业者的理论推导是有效的。



通过近非耦合随机游动

提高基于项目的协同过滤


原文标题：

Boosting Item-based Collaborative Filtering via Nearly Uncoupled Random Walks

地址：

https://pattern.swarma.org/paper?id=59a04c78-0856-11eb-bf2a-0242ac1a000c

作者：

Athanasios N. Nikolakopoulos,George Karypis


摘要：基于项目的模型是最流行的协同过滤推荐系统的建立方法之一。随机漫步可以提供一个强有力的工具来获取这些模型中捕获的丰富的交互网络。它们可以利用项目之间的间接关系，减轻稀疏性的影响，确保更广泛的项目空间覆盖，并增加推荐列表的多样性。然而，这些分布的潜力可能会受到阻碍，因为这些分布往往会迅速集中到图表的中心节点，从而大大限制了可用于个性化建议的 k 步分布的范围。在这项工作中，我们介绍了 RecWalk，一种新颖的基于随机漫步的方法，利用几乎没有耦合的马尔可夫链的频谱特性，可以证明解除了这个限制，延长了用户过去的偏好对漫步连续步骤的影响，使漫步者能够更有成效地探索底层的网络。一组关于真实世界数据集的全面实验验证了所提出方法的理论预测属性，并表明它们与 top-n 推荐准确性的显著改进直接相关。他们还强调了 rewalk 在提供一个框架以提高基于项目的模型性能方面的潜力。Rewalk 实现了最先进的顶级推荐质量，其性能优于几种竞争方法，包括最近提出的依赖于深层神经网络的方法。



有向图网络


原文标题：

Directional Graph Networks

地址：

https://pattern.swarma.org/paper?id=55f5481c-0856-11eb-bf2a-0242ac1a000c

作者：

Dominique Beaini,Saro Passaro,Vincent Létourneau,William L. Hamilton,Gabriele Corso,Pietro Liò


摘要：为了克服图形神经网络(GNNs)表达能力的局限性，提出了第一种利用图形上的向量流来构造全局一致的方向和非对称聚合函数的方法。我们证明了我们的有向图网络(DGNs)在网格上的应用是卷积神经网络(CNNs)的一种推广。近年来的理论工作主要集中在对局部邻域、局部结构和局部同构的理解上，而没有全局信息流，我们的新理论框架允许在任何图中使用有向卷积核。首先，通过定义图中的向量场，我们发展了一种应用方向导数和平滑的方法，即将节点特定的信息投影到向量场中。然后我们提出利用拉普拉斯特征向量作为向量场，并且我们证明了这种方法可以推广到 n 维网格上的 cnn。最后，我们通过提供一种在底层方向场上进行反射、旋转和失真的方法，给图形带来了 CNN 数据增强的威力。我们评估我们的方法对不同的标准基准，并看到相对误差减少8% 的 CIFAR10图数据集和11% 至32% 的分子锌数据集。这项工作的一个重要成果是，它能够将任何具有固有方向轴的物理或生物问题转化为具有嵌入式方向场的图形网络形式。



基于离散化的连续图表示学习


原文标题：

Disentangle-based Continual Graph Representation Learning

地址：

https://pattern.swarma.org/paper?id=4a0c0752-0856-11eb-bf2a-0242ac1a000c

作者：

Xiaoyu Kou,Yankai Lin,Shaobo Liu,Peng Li,Jie Zhou,Yan Zhang


摘要：图的嵌入方法将图中的节点(或边)嵌入到低维语义空间中，并在多关系数据的建模中显示了其有效性。然而，现有的通用电气模型在实际应用中并不实用，因为它忽略了传入数据的流性质。为了解决这个问题，我们研究了连续图表示学习的问题，其目的是不断训练 GE 模型对新数据学习不断涌现的多关系数据，同时避免灾难性地遗忘旧的学习知识。此外，我们还提出了一个基于分离的连续图表示学习(DiCGRL)框架，该框架受到人类学习过程性知识的启发。实验结果表明，DiCGRL 能够有效地缓解灾难性遗忘问题，优于现有的连续学习模型。这些代码和数据集在 https://github.com/kxy-public/dicgrl 上发布。



基于流媒体直播的大规模

混合方法分析新冠肺炎大流行期间

中国高校的远程教育经验


原文标题：

A Large-Scale Mixed-Methods Analysis of Live Streaming Based Remote Education Experience in Chinese Colleges During the COVID-19 Pandemic

地址：

https://pattern.swarma.org/paper?id=3f37708c-0856-11eb-bf2a-0242ac1a000c

作者：

Zhilong Chen,Hancheng Cao,Yuting Deng,Xuan Gao,Jinghua Piao,Fengli Xu,Yu Zhang,Yong Li


摘要：2019冠状病毒疾病卫生组织的全球流行病和由此导致的封锁政策迫使几乎每个国家的正规教育从传统的同地办公模式转变为纯粹的在线“远程家庭学习”模式。这种学习范式转变的核心是远程通信工具的出现和广泛采用以及教育中的直播。在流感大流行期间，这种基于直播的教育模式如何支持学生在家学习？在这里，我们通过混合的方法介绍了第一个关于2019冠状病毒疾病流行期间基于直播的教育(LS 学习)经验的研究。本文以我国高等教育为研究对象，对30名学生和7名来自不同院校和学科的教师进行了半结构式访谈，同时对我国一所重点大学的6291名学生和1160名教师进行了大规模调查。我们的研究结果表明，基于直播的教育在很大程度上有助于学生和教师实现他们的教育目标，但目前的教育模式还存在一些关键性的挑战尚未解决。我们进一步论证了几种新颖的学习经验和交互模式的出现，这些经验和模式导致了导师-学生关系和学生-学生关系的变化。我们的工作不仅揭示了重要的设计准则和见解，以更好地支持目前的远程学习经验在大流行期间，而且还提供了宝贵的启示，建设未来的协作教育支持系统和经验后大流行。



新冠肺炎:

短期访问高风险地区后的检疫期限


原文标题：

COVID-19: On the quarantine duration after short visits to high-risk regions地地址：

https://pattern.swarma.org/paper?id=87f9f7f6-0854-11eb-bf2a-0242ac1a000c

作者：

Evangelos Matsinos


摘要：本文将提出一种简单的蒙特卡罗方法，可以提取检疫期的估计值，适用于高风险地区的游客。将根据对旅客离开感染地点至目前可能发现感染累积分布函数的时间跨度的上尾部分析，得出结果。正如预期的那样，检疫持续时间是受感染旅客比例的递减函数，人们准备将其确定为“可接受的风险”。分析表明，最大5% 的风险(来自于检疫解除后变得具有感染性的人群的新感染)可能与最小检疫时间约8天、约十二天和约十六天有关。除非短途(通常最多三周)旅行时间的分布情况与本研究所假定的形状大不相同，否则本分析结果不能支持将检疫时间缩短约10天至两周的计划，目前这种计划适用于从高感染风险区域进入大多数欧洲国家的旅行者。



高保真社会学习的演变


原文标题：

The evolution of high-fidelity social learning

地址：

https://pattern.swarma.org/paper?id=8606c334-0854-11eb-bf2a-0242ac1a000c

作者：

Marcel Montrey,Thomas R. Shultz


摘要：人类文化的一个拥有属性就是知识和技术会随着时间的推移不断改进。这种累积的文化进化(CCE)可能更多地取决于信息保存的可靠程度，而不是信息提炼的效率。因此，CCE 在其他物种中似乎减少或缺失的一个可能的原因是，它需要准确而专门的社会学习形式，而人类是唯一熟练的。在这里，我们开发了一个贝叶斯模型来对比支持 CCE 的高保真社会学习和不支持 CCE 的低保真社会学习的演变。我们发现，当(1)社会和(2)个人学习成本低廉，(3)特征复杂，(4)个人学习丰富，(5)适应性问题困难，(6)行为灵活时，高保真传递就会进化。低保真传输在许多方面有所不同。它不仅在(2)个体学习成本高昂和(4)不常见的情况下进化，而且在(3)特征简单和(5)适应性问题容易的情况下进化得更加健壮。如果有利于高保真度传递进化的条件更严格(3和5)或更难满足(2和4) ，这可以解释为什么社会学习是普遍的，但 CCE 是罕见的。



无论是左派还是右派，

党派偏见都预示着

容易受到错误信息的伤害


原文标题：

Right and left, partisanship predicts vulnerability to misinformation

地址：

https://pattern.swarma.org/paper?id=3553861e-0856-11eb-bf2a-0242ac1a000c

作者：

Dimitar Nikolov,Alessandro Flammini,Filippo Menczer


摘要：我们通过研究 Twitter 上的新闻分享行为，分析了党派性、回音室和对网络错误信息的脆弱性之间的关系。虽然我们的研究结果证实了先前的发现，即在线虚假信息共享与右倾的党派偏见密切相关，但我们也发现，在左倾用户中也存在类似的趋势，尽管这种趋势较弱。由于使用者的党派偏见和他们在党派回音室中的立场之间的相关性，这些类型的影响是混淆的。为了区分它们的影响，我们做了一个回归分析分析，发现对于偏左和偏右的用户来说，对于错误信息的脆弱性受到党派偏见的影响最大。



新冠肺炎大流行中国大陆空间

扩散模式的多重分形尺度分析


原文标题：

Multifractal scaling analyses of the spatial diffusion pattern of COVID-19 pandemic in Chinese mainland

地址：

https://pattern.swarma.org/paper?id=81c8e77a-0854-11eb-bf2a-0242ac1a000c

作者：

Yuqing Long,Yanguang Chen,Yajing Li


摘要：揭示流行病空间扩散的时空演变规律，有助于预防和控制流行病的传播。本文以地级市实时2019冠状病毒疾病数据为基础，探讨了2019冠状病毒疾病大流行空间扩散模式的多重分形尺度及其中国大陆演变特征。采用 ArcGIS 技术和盒子计数法提取空间数据，利用最小二乘法计算分形参数。结果显示中国2019冠状病毒疾病大流行的多重分形分布。广义关联维数谱是逆 s 形曲线，但当矩序为 q < 0时，分形维数值显著超过嵌入空间的欧氏维数。局部奇异谱是向右倾斜的非对称单峰曲线。分形维数生长曲线为准 s 型曲线。从这些谱和生长曲线可以得出如下主要结论。首先，2019冠状病毒疾病流行过程中形成的自相似模式，似乎受到多尺度规律的支配。第二，中国东北亚2019冠状病毒疾病的空间格局可能是局地无序扩散的全球聚集拥有属性。第三，中国2019冠状病毒疾病的空间扩散过程经历了初始阶段、快速扩散阶段、等级扩散阶段和收缩阶段。本研究表明，多重分形理论可以用来刻画2019冠状病毒疾病流行的时空扩散特征，案例分析对进一步探索空间扩散的自然规律具有指导意义。



Panhandlers 在多层种群中的演化


原文标题：

Evolution of prosocial behavior in multilayer populations

地址：

https://pattern.swarma.org/paper?id=7d4ea5e0-0854-11eb-bf2a-0242ac1a000c

作者：

Qi Su,Alex McAvoy,Yoichiro Mori,Joshua B. Plotkin


摘要：人类社会包括许多类型的社会关系。例如，朋友、家人、商业伙伴、在线联系人和宗教团体都可以为个人的社会生活做出贡献。个体可能在不同的领域表现不同，但是他们在一个领域的成功可能在另一个领域产生成功。社会交往领域的不同但相互关联所导致的复杂性可能是社会中亲社会或自私行为的关键驱动力。在这里，我们研究这个问题使用多层网络模型人口与多个领域的社会互动。一个个体可以出现在多个不同的层中，每个层都有不同的行为和环境。我们提供数学结果的行为动力学的结果，为任何多层结构。在不同的结构空间中，我们发现层与层之间的耦合倾向于促进 panhandlers。事实上，即使亲和性在各层中不受影响，多层耦合也可以同时促进亲和性在各层中的扩散。我们将这些技术应用于6个真实世界的多层次社交网络，从赞比亚社区的社会情感和职业关系网络，到学术大学内的在线和离线关系网络。我们的研究结果表明，社会互动的不同领域之间的耦合对亲社会性在人类社会中的传播至关重要。


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


超图超边的局部几何及其在社会网络中的应用 | 网络科学论文速递9篇

流网络中恢复与失效扩散的拓扑理论 | 网络科学论文速递12篇

经济与疾病传播: COVID 19的重启机制 | 网络科学论文速递11篇

“粉丝经济”对中国流行音乐产业有用吗? | 网络科学论文速递11篇

新冠病毒大流行中的Twitter国家形象：以中国为例 | 网络科学论文速递11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