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


  • 神经信息传递的探路者发现网络；

  • 摄像机网络中的分布式多目标跟踪；

  • 分布式操作者-评论者: 平均多任务深度强化学习；

  • 学习多智能体协作提高定向传感器网络目标覆盖率；

  • 基于主体仿真的杠杆 ETF 在连续双向拍卖市场中的交易策略；

  • 具有激励感知模型奖励的协作机器学习；

  • 分数次映射族中的圈与混沌；

  • Kuramoto-Daido 系统中的不规则集体动力学；

  • 使用机器学习在数据同化和预测应用中纠正模型误差；

  • 结构网络节点分类的深核监督哈希算法；

  • 扩散耦合社会生态资源开发网络的耦合优化与全局崩溃；

  • 利用 Web 搜索查询中高风险用户的移动性对新冠肺炎热点进行早期预警；

  • 复杂社会网络中异常检测数据的综合生成；

  • 基于元学习的自适应网络嵌入；

  • 基于信息访问的网络集群；



神经信息传递的探路者发现网络


原文标题：

Pathfinder Discovery Networks for Neural Message Passing

地址：

https://pattern.swarma.org/paper?id=3cd95588-180c-11eb-9440-0242ac1a000c

作者：

Benedek Rozemberczki,Peter Englert,Amol Kapoor,Martin Blais,Bryan Perozzi


摘要：在这项工作中，我们提出了探路发现网络(PDNs) ，一种在多路网络上联合学习消息传递图的方法，该方法具有下游半监督模型。PDNs 归纳学习聚合权重为每个边，优化产生最佳的结果为下游的学习任务。Pdn 是图上注意机制的推广，它允许在节点之间灵活构造相似函数，边卷积和廉价的多尺度混合层。我们证明 pdn 克服了现有图形注意方法(如图形注意网络)的缺点，如权重递减问题。我们的实验结果显示了竞争性预测在学术节点分类任务上的表现。从一系列具有挑战性的节点分类实验中得到的其他结果表明，相比现有的基线，pdn 可以学习更广泛的功能类别。我们分析了 PDN 的相对计算复杂度，发现 PDN 运行时间并不比静态图模型高很多。最后，我们讨论如何使用 pdn 构造一个易于解释的注意机制，使用户能够理解图中的信息传播。


摄像机网络中的分布式多目标跟踪


原文标题：

Distributed Multi-Target Tracking in Camera Networks

地址：

https://pattern.swarma.org/paper?id=43f9052e-1812-11eb-9440-0242ac1a000c

作者：

Sara Casao,Ana C. Murillo,Eduardo Montijano


摘要：多摄像机多目标跟踪的研究主要集中在集中式系统上。相比之下，本文提出了一种在分布式摄像机网络中实现的多目标跟踪方法。分布式系统的优点在于更轻便的通信管理、对故障更强的鲁棒性和本地决策。另一方面，数据关联和信息融合比集中式设置更具挑战性，主要是由于缺乏全局和完整的信息。提出的算法增强了分布式一致性卡尔曼滤波器的好处，支持重新识别网络和分布式跟踪管理模块，以促进一致的信息。这些技术相辅相成，以简单有效的方式促进了跨摄像机数据关联。在不同条件下，利用已知的公共数据集对整个系统进行了评估，证明了组合所有模块的优点。此外，我们还将我们的算法与现有的一些集中式跟踪方法进行了比较，在精度和带宽使用方面都优于它们的性能。


分布式操作者-评论者: 

平均多任务深度强化学习


原文标题：

Diff-DAC: Distributed Actor-Critic for Average Multitask Deep Reinforcement Learning

地址：

https://pattern.swarma.org/paper?id=4103c994-1812-11eb-9440-0242ac1a000c

作者：

Sergio Valcarcel Macua,Aleksi Tukiainen,Daniel García-Ocaña Hernández,David Baldazo,Enrique Munoz de Cote,Santiago Zazo


摘要：本文提出了一种用深度神经网络近似的完全分布式执行者批判算法 textit { Diff-DAC } ，并应用于单任务和平均多任务强化学习(MRL)。每个代理只能访问其本地任务中的数据，但它的目标是学习一个策略，该策略对于整个任务集的平均执行情况良好。在学习过程中，代理将他们的价值策略参数传递给他们的邻居，在整个网络中传递信息，这样他们就会聚合成一个共同的策略，而不需要一个中心节点。这种方法是可扩展的，因为每个代理的计算和通信成本随着邻居的增加而增加。我们从对偶理论中推导出 Diff-DAC，并对标准的角色-评论框架提供了新的见解，表明它实际上是双上升方法逼近线性规划解的一个实例。实验表明，Diff-DAC 可以胜过单一的分布式 MRL 方法(即 Dist-MTLPS) ，甚至可以胜过集中式体系结构。


学习多智能体协作提高

定向传感器网络目标覆盖率


原文标题：

Learning Multi-Agent Coordination for Enhancing Target Coverage in Directional Sensor Networks

地址：

https://pattern.swarma.org/paper?id=4055e5a4-1812-11eb-9440-0242ac1a000c

作者：

Jing Xu,Fangwei Zhong,Yizhou Wang


摘要：通过调整分布式传感器的方向来获得最大的目标覆盖是方向性传感器网络中的一个重要问题。这个问题是具有挑战性的，因为目标通常是随机移动的，但传感器的覆盖范围是有限的角度和距离。因此，需要协调传感器以获得低功耗的理想目标覆盖，例如不丢失目标或减少冗余覆盖。为此，我们提出了一种面向目标的分层多 agent 协调机制(HiT-MAC) ，该机制将目标覆盖问题分解为两个层次的任务: 协调者分配目标和执行者跟踪分配目标。具体来说，协调器定期监视全局环境，并将目标分配给每个执行者。反过来，执行者只需要跟踪指定的目标。为了有效地学习 HiT-MAC 强化学习，我们进一步介绍了一系列实用的方法，包括自注意模块、协调器的边际贡献近似、执行器的目标条件观测滤波器等。实验结果表明，与基线相比，HiT-MAC 在覆盖率、学习效率和可扩展性方面具有明显的优势。我们还对框架中引入的组件的有效性进行了分析。


基于主体仿真的杠杆 ETF 

在连续双向拍卖市场中的交易策略


原文标题：

Trading Strategies of a Leveraged ETF in a Continuous Double Auction Market Using an Agent-Based Simulation

地址：

https://pattern.swarma.org/paper?id=3e2153d6-1812-11eb-9440-0242ac1a000c

作者：

Isao Yagi,Shunya Maruyama,Takanobu Mizuta


摘要：杠杆 ETF 是一种旨在获得比日经225指数(Nikkei 225)期货等基础资产高数倍的回报率的基金。最近有人指出，杠杆 ETF 的再平衡交易可能会破坏金融市场的稳定。一项使用基于代理人的模拟的实证研究表明，再平衡贸易战略可能影响基础资产市场的价格形成。然而，至今仍未有杠杆式交易所买卖基金提出尽可能抑制波动率上升的方法。在本文中，我们比较不同的交易策略为一个拟议的交易模式，并报告了我们的调查结果，如何最好地抑制市场波动性的增加。结果发现，随着再平衡贸易中最小订单数的增加，对市场价格形成的影响减小。


具有激励感知模型奖励的

协作机器学习


原文标题：

Collaborative Machine Learning with Incentive-Aware Model Rewards

地址：

https://pattern.swarma.org/paper?id=3b6b68a2-1812-11eb-9440-0242ac1a000c

作者：

Rachael Hwee Ling Sim,Yehong Zhang,Mun Choon Chan,Bryan Kian Hsiang Low


摘要：协同机器学习(ML)是通过对来自多方的聚合数据进行训练来建立高质量机器学习模型的一种有吸引力的方法。然而，这些当事人只有在得到足够的激励时才愿意分享他们的数据，比如基于他们贡献的公平奖励。这就促使人们需要衡量一方的贡献，并据此设计一个具有激励意识的奖励计划。提出了一种基于 Shapley 值和模型参数的信息增益来评价一方的报酬的方法。随后，我们给每一方一个模型作为奖励。为了正式激励合作，我们定义了一些理想的属性(例如，公平和稳定) ，这些属性受到合作博弈理论的启发，但适用于我们的独特的可自由复制的奖励模型。然后，我们提出了一种新的模型报酬方案，以满足公平性和权衡之间的期望属性通过一个可调参数。通过向聚集的训练数据中注入高斯噪声，并优化噪声方差，得到该方案确定的各方模型报酬值。我们通过实验证明了我们的方案的有趣特性，并使用合成的和真实世界的数据集来评估它的性能。


分数次映射族中的圈与混沌


原文标题：

Cycles and Chaos in Fractional Families of Maps

地址：

https://pattern.swarma.org/paper?id=3905e6a6-1811-11eb-9440-0242ac1a000c

作者：

Mark Edelman


摘要：经典混沌的骨架包括周期轨道。在规则动力学中，寻找周期轨道是一个相对简单的任务。本文推导了分数和分数阶差分映射中渐近周期解的代数方程。


Kuramoto-Daido 系统中的

不规则集体动力学


原文标题：

Irregular collective dynamics in a Kuramoto-Daido system

地址：

https://pattern.swarma.org/paper?id=2d8156fa-180f-11eb-9440-0242ac1a000c

作者：

Pau Clusella,Antonio Politi


摘要：本文分析了 Kuramoto-Daido 型相振子的平均场模型的集体行为，该模型通过依赖于相位差的成对相互作用: 耦合函数由三次谐波组成。我们提供了令人信服的证据，证明中东热力学极限存在短暂但持久的混沌集体混乱。通过确定最大李亚普诺夫指数和评估自洽平均场的横向稳定性，用巧妙的直接数值模拟方法分析了这种情况。不变测度的结构最终用依赖于分辨率的熵来描述。


使用机器学习在数据同化和

预测应用中纠正模型误差


原文标题：

Using machine learning to correct model error in data assimilation and forecast applications

地址：

https://pattern.swarma.org/paper?id=2c08b8a6-180d-11eb-9440-0242ac1a000c

作者：

Alban Farchi,Patrick Laloyaux,Massimo Bonavita,Marc Bocquet


摘要：利用机器学习方法重构系统动力学的思想是地球科学领域近年来研究的主题，其关键输出是一个模拟动力学模型的替代模型。为了以严格的方式处理稀疏和噪声的观测数据，机器学习可以结合到数据同化分析中。这产生了一类迭代方法，在每次迭代中，DA 步骤同化了观察值，并与 ML 步骤交替学习 DA 分析的底层动力学。在本文中，我们建议使用这种方法来修正现有的基于知识的模型的误差。在实践中，所得到的代理模型是原始(基于知识的)模型和 ML 模型的混合模型。我们在数值上证明了使用两层二维准地转通道模型的方法的可行性。通过扰动参数引入模型误差。DA 步骤采用强约束4D-Var 算法，ML 步骤采用深度学习工具。机器学习模型能够学习模型误差的很大一部分，由此产生的混合替代模型产生更好的中短期预测。此外，使用混合代理模型的 DA 产量显着更好的分析比使用原来的模型。


结构网络节点分类的

深核监督哈希算法


原文标题：

Deep Kernel Supervised Hashing for Node Classification in Structural Networks

地址：

https://pattern.swarma.org/paper?id=4d0d8258-180c-11eb-9440-0242ac1a000c

作者：

Jia-Nan Guo,Xian-Ling Mao,Shu-Yang Lin,Wei Wei,Heyan Huang


摘要：结构化网络中的节点分类在实际应用中得到了广泛的应用。随着网络嵌入技术的发展，节点分类的性能得到了很大的提高。然而，现有的几乎所有基于网络嵌入的方法由于在低维空间存在线性不可分割的问题，难以捕捉节点的实际类别特征，同时不能同时将网络结构信息和节点标记信息嵌入到网络嵌入中。针对上述问题，本文提出了一种新的深度内核监督散列(DKSH)方法来学习节点分类的散列表示。首次提出了一种深度多重核学习算法，将节点映射到适当的 Hilbert 空间，用于处理线性不可分问题。然后，不再仅仅考虑节点之间的结构相似性，设计了一种新的相似度矩阵，将网络结构信息和节点标签信息融合在一起。在相似矩阵的监督下，节点的学习哈希表示在学习希尔伯特空间中很好地同时保留了这两种信息。大量的实验表明，在三个真实世界的基准数据集上，该方法的性能明显优于现有的基准。


扩散耦合社会生态资源开发网络的

耦合优化与全局崩溃


原文标题：

Optimization of coupling and global collapse in diffusively coupled socio-ecological resource exploitation networks

地址：

https://pattern.swarma.org/paper?id=6edfb776-180b-11eb-9440-0242ac1a000c

作者：

Tanja Holstein,Marc Wiedermann,Jürgen Kurths


摘要：单层和多层复杂网络已被证明是研究社会、技术或自然系统内部动力学的有力工具。一个经常被观察到的共同目标是为了特定目的优化这些系统，在最大限度地提高期望产出的同时，最小化某些成本。承认来自耦合的社会-生态领域的特别现实世界系统是高度交织在一起的，这项工作例证了在这些系统中，某个子系统的优化，例如，增加对生态网络中外部压力的弹性，可能会意外地削弱整个耦合系统的稳定性。为此目的，我们利用了先前提出的概念性双层网络模型的改编，该模型由一个扩散耦合资源的生态网络和一个相互作用的代理人的社会网络共同进化组成，这些代理人依靠个人的成功获取这些资源并学习彼此的策略。我们推导出一个最佳耦合强度，如果假设代理的策略随时间保持不变，那么这个耦合强度可以防止尽可能多的资源崩溃。然而，我们随后证明，如果代理人社会学习和适应策略根据他们的邻居的成功，这个最佳耦合强度被揭示为一个关键参数，超过这个参数，全球崩溃的可能性在不可逆地耗尽资源方面是很高的，这种效果我们表示了悲剧的优化器。因此，我们发现，在一个更大的共同进化系统的某一部分中稳定动态的措施，可能会意外地导致新的全球稳定状态的出现。因此，我们的结果强调了管理社会生态系统的整体方法的重要性，因为侧重于单一子系统的稳定效应可能对整个系统产生反作用。


利用 Web 搜索查询中高风险用户的

移动性对新冠肺炎热点进行早期预警


原文标题：

Early Warning of COVID-19 Hotspots using Mobility of High Risk Users from Web Search Queries

地址：

https://pattern.swarma.org/paper?id=6e20f502-180b-11eb-9440-0242ac1a000c

作者：

Takahiro Yabe,Kota Tsubouchi,Satish V Ukkusuri


摘要：2019冠状病毒疾病以前所未有的规模和程度扰乱了全球经济和人民的福祉。为了控制这种疾病，一个有效的预警系统预测疾病爆发的地点是至关重要的。研究表明，通过人口密度分析，利用大规模流动数据监测非药物干预措施(例如封锁)的影响是有效的。然而，仅仅使用流动性数据很难预测潜在疫情发生的地点。与此同时，网络搜索查询已经被证明是疾病传播的良好预测器。在这项研究中，我们利用一个独特的人类移动轨迹数据集(GPS 轨迹)和具有共同用户标识符(> 450K 用户)的网络搜索查询，预先预测2019冠状病毒疾病热点的位置。更具体地说，网络搜寻查询卫生组织的分析是为了识别那些有高风险感染2019冠状病毒疾病的用户，而社会接触分析是为了进一步量化这些用户的流动性模式以确定疫情爆发的风险。我们的方法是使用从日本东京的用户收集的数据进行实证检验。我们表明，通过整合与2019冠状病毒疾病相关的网络搜寻查询分析与社交网络，我们能够预测2019冠状病毒疾病热点位置1-2周，而不仅仅使用社交网络指数或网络搜索数据分析。该研究提出了一种新的方法，可用于疾病暴发热点的早期预警系统，这可以帮助政府机构制定有效的战略，以防止疾病进一步蔓延。


复杂社会网络中

异常检测数据的综合生成


原文标题：

On synthetic data generation for anomaly detection in complex social networks

地址：

https://pattern.swarma.org/paper?id=3fa7888e-180c-11eb-9440-0242ac1a000c

作者：

Andreea Sistrunk,Vanessa Cedeno,Subhodip Biswas


摘要：本文研究了关键任务应用中合成数据生成的可行性。重点研究复杂社会网络中异常检测的合成数据生成技术。特别是，开发一个启发式的生成模型，能够为复杂的社会网络中反常的罕见活动创造数据。为此，应用社会和政治文献的经验教训，在取消恐怖分子资料分离的背景下，根据代理人之间简单的社会互动，为合成数据生成一个基于代理人的建模(ABM)框架的新实施原型。结论为进一步的验证和微调提供了方向，并提出了 ABM 原型今后的工作方向，ABM 原型是一种复杂的生成合成数据的社会方法，其方法是确定启发式超参数调整方法，以进一步确保生成的数据分布与原始数据集的真实分布相似。虽然在这项工作中没有提供缩小分布间距离的严格最优化，但我们认为这个自主-主体生成复杂社会模型的原型对于研究生活模式和异常检测有用，因为在关键任务的应用中使用实际的机器学习解决方案有严格的限制或缺乏足够的数据。


基于元学习的自适应网络嵌入


原文标题：

MLANE: Meta-Learning Based Adaptive Network Embedding

地址：

https://pattern.swarma.org/paper?id=3e1fb9dc-180c-11eb-9440-0242ac1a000c

作者：

Chen Cui,Ning Yang,Philip S. Yu


摘要：现有的基于随机游走的网络嵌入方法通常只遵循同相等或结构等价原则。然而在现实网络中，节点表现出同质性和结构等价性的混合特性，这就要求自适应网络嵌入能够在不同的下游分析任务中自适应地保持不同节点的同质性和结构等价性。本文提出了一种新的基于元学习的自适应网络嵌入方法，该方法通过将抽样策略学习和嵌入式学习相结合，在一个最佳化问题中实现对不同任务中不同节点的自适应抽样策略学习，并通过端到端的元学习框架来解决这一问题。在对真实数据集的大量实验中，MLANE 显示了比基线更显著的性能改进。的源代码和实验中使用的数据集，以及所有基线的超参数设置都可以在 https://github.com/7733com/MLANE 中找到。


基于信息访问的网络集群


原文标题：

Clustering via Information Access in a Network

地址：

https://pattern.swarma.org/paper?id=3a47c106-180c-11eb-9440-0242ac1a000c

作者：

Hannah C. Beilinson,Nasanbayar Ulzii-Orshikh,Ashkan Bashardoust,Sorelle A. Friedler,Carlos E. Scheidegger,Suresh Venkatasubramanian


摘要：图中的信息流(比如社交网络)通常使用标准的影响传播方法进行建模，目的是确定广泛传播信息的最有效方式。最近，研究人员开始研究网络中个体获取信息的不同途径。前面的工作表明，信息访问本身就是基于网络位置的权限的一个潜在方面。虽然对公平性的关注通常集中在人口统计学群体之间的差异上，但描述网络地位本身可能会产生新的研究群体。但是我们如何描述位置呢？我们没有使用标准的分组方法进行图形聚类，而是设计和探索了一种聚类，它显式地合并了信息在网络中如何流动的模型。我们的目标是根据节点对整个网络信息的访问来识别相似的节点集群。无论是形式上还是实验上，我们都证明了这种聚类方法是一种新的网络聚类方法。使用各种各样的数据集，我们的实验表明，引入的聚类技术聚集在一起的个人谁是相似的基于外部信息访问措施。


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


复杂世界中观点形成的脆弱性 | 网络科学论文速递13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

城市形态和增长的分形建模与空间分析：以深圳市为例 | 网络科学论文速递14篇

学习新技能是否有回报？揭示交叉技能的经济利益 | 网络科学论文速递11篇

衡量高速铁路对中国城市互动的动态影响 | 网络科学论文速递13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