集智斑图顶刊论文速递栏目上线以来,持续收录来自Nature、Science等顶刊的最新论文,追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能,每周通过微信服务号「集智斑图」推送论文信息。


扫描下方二维码,关注“集智斑图”服务号,即可订阅Complexity Express:           

 



Complexity Express 一周论文精选




以下是2022年6月13日-6月19日来自Complexity Express的复杂性科学论文精选。如果Complexity Express列表中有你感兴趣的论文,欢迎点赞推荐,我们会优先组织解读~

目录:

1. 超级传播事件导致最多传播?量化大都市地区新冠传播事件的重要性和位置

2. 访问必要基础设施的指标确定哪些地区无法实现物理距离

3. 混合神经网络的通用设计与计算框架

4. 时间富人俱乐部现象

5. 布尔网络中的影响最大化

6. 多层次图集比较揭示灵长类动物大脑的趋异演化

7. 撤回论文对学术圈有何负面影响?撤稿论文的跨平台注意力动力学

1.超级传播事件导致最多传播?

量化大都市地区新冠传播事件的

重要性和位置


论文题目:Quantifying the importance and location of SARS-CoV-2 transmission events in large metropolitan areas

论文来源:PNAS

论文链接:https://www.pnas.org/doi/10.1073/pnas.2112182119


在没有有效药物干预的情况下,COVID-19 大流行引发了全球范围内旨在减缓 SARS-CoV-2 病毒传播的严格行动限制和保持社交距离措施的实施。从居家隔离到关闭餐馆/商店或限制旅行,这些措施的基本原理是减少社交接触的数量,从而阻断传播链。尽管个人可能与家庭成员或密切接触者保持高度联系,但这些措施减少了社区中病毒通过人类接触网络传播的联系。一些场所可能会吸引更多来自其他未连接的社交网络的个人,或者可能吸引更活跃的个人,从而获得更大的曝光度。了解针对特定场所的干预措施如何影响 SARS-CoV-2 的传播可以帮助我们设计更好的非药物干预措施(NPI),以实现公共卫生目标,同时最大限度地减少对经济、教育系统和日常生活其他方面的干扰。


图:网络组件图示,以及纽约和西雅图大都市地区的人口和社区层的社会联系动态随时间变化。(A)根据移动数据构建的合成人口的加权多层和时间网络示意图。有四个不同的层;学校和家庭层随着时间的推移是静态的,而工作场所和社区层的组合则具有日常的时间成分。(B)与纽约和西雅图大都市区总人口相比,该文计算得到的移动数据中的地理渗透率(按人口计算的移动设备比例)。(C)两个大都市区社区层的平均每日接触人数。


为了量化大都市地区新冠传播事件的重要性,该文使用纽约市和华盛顿州西雅图大都市地区的实时、隐私增强型移动数据来构建基于代理的详细 SARS-CoV-2 感染模型,以估计第一波大流行期间传播事件的地点、时间和强度。研究者估计只有 18% 的个体会导致大多数感染(80%),其中大约 10% 的传播事件可以被视为超级传播事件(superspreading events,SSE)。尽管大规模集会构成了SSE的重要风险,但该文估计大部分传播发生在工作场所、杂货店或食品场所等小型场所中,并且在不同城市之间有所不同。该结论表明在这类传播之下,存在着巨大的潜在行为成分。该文给出的模型补充了案例研究和流行病学数据,并表明实时跟踪传播事件有助于评估和定义有针对性的缓解政策。



2.访问必要基础设施的指标

确定哪些地区无法实现保持物理距离


论文题目:An index of access to essential infrastructure to identify where physical distancing is impossible

论文来源:Nature Communications

论文链接:https://www.nature.com/articles/s41467-022-30812-8


为了确定非洲传染病传播风险最高的地区,我们通过计算无法使用私人厕所、水、空间、交通和通信技术的家庭比例,制定了一个物理距离指数(physical distancing index, PDI),并用人口密度进行加权。我们的研究结果强调,除了改善卫生系统,非洲各国,特别是非洲西部国家,需要解决国内基础设施缺乏的问题。基础设施的缺失削弱了政府对物理距离的监管效力,使社会无法限制传染病的传播。我们还提供高分辨率的风险地图,显示哪些地区在防疫方面最受限制。我们发现 PDI 在国家内有相当大的空间异质性,并表明它与检测到的新冠肺炎病例高度相关。政府可以特别关注这些领域,将有限的资源更准确地用于预防疾病传播。


图:加纳(a)、埃塞俄比亚(b)、肯尼亚(c)和南非(d)的 5×5 公里水平的物理距离指数(PDI) 。



3.混合神经网络的

通用设计与计算框架


论文题目:A framework for the general design and computation of hybrid neural networks

论文来源:Nature Communications

论文链接:https://www.nature.com/articles/s41467-022-30964-7


结合脉冲神经网络和人工神经网络两者的优势来设计混合神经网络(hybrid neural networks, HNNs),是一种日益增长的趋势。这里,我们通过引入混合单元(hybrid units, HUs)作为连接端口,提出了一个用于混合神经网络的通用设计和计算框架。该框架不仅整合了计算范式的关键特征,还将它们解耦以提高灵活性和效率。混合单元是可设计和可学习的,以促进混合神经网络中混合信息流的传输和调制。研究通过三个案例证明该框架可以促进混合模型的设计。混合传感网络实现了多路径传感,并实现了高跟踪精度和能量效率。混合调制网络实现了分层信息抽象,使得能够对多个任务进行元连续学习。混合推理网络以可解释的、稳健和并行的方式执行多模态推理。这项研究推进了广泛的智能任务的跨范式建模。


图:混合神经网络框架说明。(a)同质信息流分别包括人工神经网络神经元(橙色圆圈)的同步连续信号(橙色实线)以及脉冲神经网络神经元(绿色圆圈)的异步离散信号(绿色虚线)。每种情况包括直接传输(左,尖箭头)和间接调制(右,指向调制神经元参数 θ 的方形箭头)。(b)混合信息流由混合单元(蓝色方块)转换。(c)混合单元有几个基本的计算步骤,包括截断 W(t) 、滤波 H(t)、非线性(F)和离散化(Q)。这些操作可以通过知识驱动的人工设计或者数据驱动的自动学习来实现。(d)可设计的混合单元是根据目标编码方案,通过先验知识和预定义的映射来配置(长时间尺度的红色窗口用于速率编码,短时间尺度的黄色窗口用于定时编码(例如,同步))。(e)可学习的混合单元可以通过三种学习方式配置:(1)与前端/后端网络联合训练;(2)独立训练;(3)用完整模型训练。



4.时间富人俱乐部现象


论文题目:The temporal rich club phenomenon

论文来源:Nature Physics

论文链接:https://www.nature.com/articles/s41567-022-01634-8


识别复杂网络的隐藏组织原则和相关结构是理解其特性的根本。为此,揭开涉及网络中突出节点的结构是一种有效的方法。在时效网络中,连接的同时性是产生时间稳定结构的关键。在这里,我们提出了一个衡量标准,以定量研究连接良好的节点在时效网络中形成同时性和稳定性结构的趋势。我们把这种趋势称为时间富人俱乐部(temporal rich club, TRC)现象,其特点是系数被定义为具有最小所需度数的节点之间链接密度的最大值,这些节点在一定时间内保持稳定。我们通过分析不同的数据集及其时间属性来说明这一概念的使用,从与在网络顶部展开的过程相关的内聚结构的作用,到对网络演化中感兴趣的特定时刻的研究。


图:时间富人俱乐部概念。(a)时效网络的示意图,表示为一系列瞬时切片,其中节点通过时间连边连接。(b)时间聚合图 G(V, E) ,其中连边的权重对应于相应时间连边的出现次数,阴影区域为聚合图G及其诱导子图中度数大于3的节点的集合 S>3 被阴影区域所突出。(c)实线表示形成 E>3 (t0, Δ)的边,即连边 S>3 的节点的边,这些节点在时间 [t0, t0 + Δ] 上是稳定的,对于几个 Δ 的值,以(a)中的面板为例,红色虚线表示在 t0 + Δ – 1 时活跃但在 t0 + Δ 不活跃的连边。(d)固定 k = 350 和 k = 410 时,针对美国航空运输时效网络的计算。热力图中的特征三角形是由于以下属性:如果一条边(或一组边)从时间 t 到时间 t+Δ 是稳定的,那么它从 t+1 到 t+1+(Δ-1),从 t+2 到 t+2+(Δ-2) 也是稳定的。因此,在热力图中对坐标(t, Δ)的密度值有贡献的每条边也对 (t + n, Δ – n) 的值有贡献。请注意,ϵ>k(t, Δ) 给出了稳定在 [t, t + Δ] 上的边的密度,因此对于 t > T – Δ + 1来说没有定义。(e)在固定的 k 和 Δ 下,同一数据集的时间序列 ϵ>k(t, Δ) 与 t 的关系实例,即热力图的水平切割。



5.布尔网络中的影响最大化


论文题目:Influence maximization in Boolean networks

论文来源:Nature Communications

论文来源:https://www.nature.com/articles/s41467-022-31066-0


优化问题旨在识别能够将布尔网络的动力学推向期望的长期行为的最小节点集,这对于一些应用来说是至关重要的,例如在生物信号和调控网络模型中检测控制通路的关键治疗靶点。在这里,我们开发了一种方法来解决这样的优化问题,灵感来自于社会网络中传播过程的影响最大化问题。我们在小型基因调控网络上验证了这一方法,其动态景观是通过穷举分析得到的 。然后,我们系统地研究了大量基因调控网络。结果发现,对于大约 65% 的分析的网络,最小驱动集包含不到 20% 的节点。


图:(a)黑腹果蝇段极性网络。在可视化中,从节点 i 到节点 j 的定向连接表明,节点 i 的状态是调节节点 j 动态演化的布尔函数 Fj 的一个参数。(b)该算法确定了网络的 10 个吸引子及其相应的最小驱动集。吸引子 4 和图 a 中的一样。我们的预测准确地恢复了 10 个固定点中的 7 个最小驱动集。(c)余熵作为种子集大小的函数,对于三个选定的种子集导致特定的吸引子。吸引子的标签与图 b 中的相同。



6.多层次图集比较揭示

灵长类动物大脑的趋异演化


论文题目:Multilevel atlas comparisons reveal divergent evolution of the primate brain

论文来源:PNAS

论文链接:https://www.pnas.org/doi/10.1073/pnas.2202491119


进化神经科学中的一个长期争论是,与其他物种相比,人类前额叶皮层(PFC)的大小是否不成比例。这个问题使得其他结构中过度/不足扩张的研究相对来说没有得到探索。研究人员试图通过调整 18 个哺乳动物物种的数字图集中的解剖区域来解决这一差距,以创建一个共同的种间分类。该方法使用基于系统发育广义最小二乘的数据驱动分析来评估覆盖整个大脑的解剖扩展。研究人员发现,灵长类动物进化存在分歧,将刻板的哺乳动物大脑比例导向卡他鼻(包括旧世界猴子、猿和人类的灵长类动物)的额叶和顶叶扩张。研究结果表明,与其他粘膜炎相比,人类的额叶和顶叶并没有不成比例地扩大。然而,人类仍然是独特的,在下目中携带相对扩大的额叶和顶叶,这些区域表现出不成比例的扩张。


图:研究人员进行 PGLS 分析以确定卡他鼻额叶和顶叶的体积是否偏离预测区间。


研究人员发现,人类和黑猩猩的额叶超出了预测区间,但猕猴和黑长尾猴的额叶却没有。此外,他们还发现其他灵长类动物(如狨猴和鼠狐猴)的额叶和顶叶低于回归线。研究人员通过对三个不同的人类图谱重复每次分析来评估分割依赖性后发现,无论使用哪个图集进行比较,人类额叶总是超出预测区间。此外,人类是唯一顶叶也超出预测极限的物种。相比之下,与枕叶相比,所有卡他鼻炎的颞叶都在预测范围内。



7.撤回论文对学术圈有何负面影响?

撤稿论文的跨平台注意力动力学


论文题目:Dynamics of cross-platform attention to retracted papers

论文来源:PNAS

论文链接:https://www.pnas.org/doi/10.1073/pnas.2119086119


学术出版中的撤稿是科学自我纠正的重要且必要的机制。先前的研究表明,近年来撤稿的数量有所增加。这种上升可以用许多不同的因素来解释,其原因之一是出版物的数量呈指数增长。同时,随着科学研究变得比以往任何时候都更加复杂且跨学科,审稿人面临着更高的认知负担,这削弱了科学界过滤有问题论文的能力。事实上,研究表明,具有严格筛选和高出版标准的知名期刊与不太知名的期刊一样可能发表错误论文。最后,并非所有撤稿都是由于研究欺诈——一些论文被撤稿是由于无意的错误或失误,随着研究数据的规模和复杂性的增加,这种情况更有可能发生。被撤稿的论文通常在正式撤稿之前在社交媒体、数字新闻和其他网站上广泛传播。撤回论文的潜在不准确或误导性结果的传播可能会损害科学界和公众。在这里,研究者们量化了随着时间的推移在不同在线平台上收到的 3,851 篇撤回论文的关注数量和类型。


图:研究过程的图示,比较了撤回论文以及对照论文收到的在线关注。(A)研究者使用 Altmetric 数据库将五篇对照论文与每篇撤回论文相匹配。(B 和 C)在四种不同类型的平台和顶级新闻媒体上跟踪提及次数随时间的变化。作为一个例子,研究者在这里展示了发表在 JAMA (DOI: 10.1001/ jama.2018.17933)及其匹配的对照论文之一:“维生素 D、钙或联合补充剂用于社区居住成人骨折的一级预防:美国预防服务工作组建议声明”(DOI:10.1001/jama.2018.3185)。(D)计算数据集中所有撤回以及对照组论文发表后(和撤回前)6 个月内所有平台的平均累积提及次数。(E)同样,计算撤回后 6 个月内的平均累积提及次数。误差线表示 95% CI。


与来自同一期刊、具有相似出版年份、合著者数量和作者影响力的一组未撤稿对照论文相比,研究发现撤回论文不仅在社交媒体上发表,而且往往发表在精心策划的平台上(例如新闻媒体和知识库),放大了撤回论文对公众的负面影响。同时,该文发现 Twitter 上的帖子倾向于表达对已撤稿论文的批评,而不是对对照论文的批评,这表明表达批评的推文可能包含有关有问题论文的事实信息。最重要的是,在论文被撤稿前后,论文引发的讨论主要是关于撤稿事件,而不是研究结果,这表明,到那时,论文的结果已经被给予了充分的关注,并强调了撤稿的有限影响。该文的研究结果揭示了在不同在线平台上讨论撤回论文的程度,并确定了大规模受众对它们的批评。在这种情况下,该文表明撤稿并不是减少在线对有问题论文的关注的有效工具。





关于Complexity Express




Complex World, Simple Rules.
复杂世界,简单规则。
由于学科交叉融合,大量针对复杂系统的研究成果散落在人工智能、统计物理、网络科学、数据科学、计算社会科学、生命科学、认知科学等等不同领域的期刊会议中,缺乏整合。

 

为了让大家能及时把握复杂系统领域重要的研究进展,我们隆重推出「Complexity Express」服务,汇总复杂系统相关的最新顶刊论文。

 

Complexity Express 是什么?

Complexity Express 每天爬取复杂系统领域最新发表的顶刊论文,每周通过“集智斑图”服务号汇总推送。
 
进入 Complexity Express 页面即可随时查看顶刊论文更新,你也可以通过微信接收研究更新推送和一周汇总。

               


Complexity Express 为谁服务?

  • 如果你是复杂系统领域的研究者,可获得重要论文上线通知,每周获取最新顶刊论文汇总。

  • 如果你是复杂系统领域的学习者,可了解学界关注的前沿问题,把握专业发展脉络。

  • 如果你是传统的生命科学、社会科学等学科中的研究者/学习者,可以从复杂科学和跨学科研究中获得灵感启发。

  • 如果你是关注前沿研究发现的知识猎手,可获得复杂系统研究对自然和人类世界的最新洞见。

Complexity Express 栏目也是集智俱乐部公众号的主要选题来源,诚挚邀请你订阅,与我们信息同步。
 

Complexity Express 论文从哪里来?

考虑复杂系统研究往往属于跨学科工作,我们主要抓取综合类和泛物理类/计算机类的顶级期刊,从每周新发表的数百篇论文中精选出与复杂系统相关的论文。
 
Complexity Express 参考影响因子和学者口碑,选择了如下期刊,每日爬取其论文更新:
  • Nature

  • Science

  • PNAS

  • Nature Communications

  • Science Advances

  • Physics Reports

  • Physical Review Letters

  • Physical Review X

  • Nature Physics

  • Nature Human Behaviour

  • Nature Machine Intelligence

  • Review of Modern Physics
  • Nature Review Physics
  • Nature Computational Science
  • National Science Review
  • 更多期刊持续增补中,欢迎推荐你认为重要的期刊!
 
如果你在 Complexity Express 中发现了感兴趣的论文,请立刻“点赞”!每周最高赞的论文,集智编辑部将组织专业解读~
 

Complexity Express 追踪哪些领域?

我们力求兼顾热点追踪与领域覆盖,目前筛选的论文主要集中在如下与复杂性关系密切的领域:
  • 复杂系统基本理论
  • 复杂网络方法及应用
  • 图网络与深度学习
  • 计算机建模与仿真
  • 统计物理与复杂系统
  • 量子计算与量子信息
  • 生态系统、进化、生物物理等
  • 系统生物学与合成生物学
  • 计算神经科学与认知神经科学
  • 计算社会科学与社会经济复杂系统
  • 城市科学与人类行为
  • 科学学
  • 计算流行病学
  • 以及一些领域小众,但有趣的工作
 
由于复杂性研究领域横跨多个学科,研究论文散落在不同的期刊上,很难不重不漏地把握最新工作。针对复杂性领域的论文筛选,我们专门设计了算法。经过数月的训练迭代优化,目前对上述领域爬取准确率达到90%以上。
 
将来我们还会根据你的具体研究领域,推出研究分类与个性化的订阅服务,敬请期待!
 
由于复杂性领域涉及的论文关键词和研究问题纷繁复杂,所以算法难免有不成熟的地方,如果你发现我们有漏掉的重要论文,或者爬到了领域有偏差的论文,欢迎联系我们(小助手微信:swarmaAI),帮助我们持续优化算法。

如果你对科学学、计算术语学等感兴趣并有代码能力,欢迎报名成为集智算法志愿者/实习生(具体请邮件联系算法组负责人huqiao@swarma.org)

如果你对复杂科学及相关跨学科研究有长期兴趣,并乐于解读分享,欢迎加入集智作者团队(具体请邮件联系编辑部负责人liupeiyuan@swarma.org)




更多论文




更多复杂性顶刊论文,请到Complexity Express页面查看。订阅即可每周获取更新提醒。
       


点击“阅读原文”,追踪复杂科学顶刊论文