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「我的集智」推送论文信息。

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

 

Complexity Express 一周论文精选

以下是2022年10月17日-10月23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. 绵羊间歇性集体运动由领导者和跟随者交替作用引起

2. “新冠”疫情病例数增加与对气候变化关注减少有关

3. 基于酶神经网络的非线性决策

4. 随机整合-放电网络的动力学

5. 社会投资组合中的关系多样性预示着幸福感

6. 神经表征几何学是少镜头概念学习的基础

7. 通过累积互惠实现合作的演化

8. 如何用文本进行因果推断

1. 绵羊间歇性集体运动

由领导者和跟随者交替作用引起

论文题目：Intermittent collective motion in sheep results from alternating the role of leader and follower

论文来源：Nature Physics

论文链接：https://www.nature.com/articles/s41567-022-01769-8

群体行为经常被作为自组织过程的一个例子， 在这一过程中，个体不断地协商行进方向，并协调局部平均速度，直到群体达成共识。这种集体行为并没有利用等级组织策略的好处，因为等级组织策略赋予群体领导者完全的控制权，并减少了信息沟通成本。

在这里，我们研究了小羊群的自组织行为，发现羊群表现出的集体行为是由一系列被放牧阶段中断的集体运动事件组成。每个运动事件都有一个临时的领导者，引导群体排队。结合实验和数据驱动的模型，我们提供证据表明，这些事件中的群体协调是由临时领导者的位置信息，通过一个等级分明的定向互动网络传播给所有群体成员的结果。此外，我们表明，群体成员通过一个随机过程交替扮演领导者和跟随者的角色，这与调节集体运动事件的导航机制无关。我们的分析表明，有可能构想出既利用等级制度又利用民主组织方案的间歇性集体策略。

图：将该模型推广到更大的群体。（a）一大群羊的集体行动快照。（b）广义模型的数值模拟快照，使用 N=40 个个体的羊群。（c）广义互动网络的方案，IN3，在 N=13 个个体的系统中的模型，箭头描述了对个体运动的影响。

2. “新冠”疫情病例数增加

与对“气候变化”关注减少有关

论文题目：COVID-19, climate change, and the finite pool of worry in 2019 to 2021 Twitter discussions

论文来源：PNAS

论文链接：https://www.pnas.org/doi/10.1073/pnas.2210988119

在过去三十年里，减缓气候变化一直是世界上最突出的问题之一。然而，在过去两年里，全球政策的注意力被部分地转移到应对“新冠”疫情上。与“有限的担心”（finite pool of worry）假设相一致，无论是在年度层面还是在日常基础上，COVID-19 病例和死亡人数的增加与“气候变化”推特的数量减少有关。尽管 1）2020 年和 2021 年 Twitter 的日活跃使用量更大，2）2021 年传统媒体对气候变化的报道更多，3）北大西洋飓风的数量更多，以及 4）2020 年和 2021 年美国的野地火灾面积更大，但 Twitter 上的气候变化讨论仍然减少。支持有限担忧的进一步证据是，一方面每日 COVID-19 病例/死亡人数与气候变化推文的公众情绪和情感内容之间存在显著关系。特别是，COVID-19 数字的增加减少了气候变化推文中的负面情绪以及与担心和焦虑有关的情绪，如恐惧和愤怒。

图：回归分析，COVID-19 病例和死亡对气候变化 Twitter 帖子中正面和负面情绪评分的影响。

3. 基于酶催化神经网络的

非线性决策

论文题目：Nonlinear decision-making with enzymatic neural networks

论文来源：Nature

论文链接：https://www.nature.com/articles/s41586-022-05218-7

人工神经网络使得电子计算领域发生极大的变革。同样的，当分子网络具有神经形态结构，其分子决策水平也许可以比拟基因调节网络。无酶催化的网络在理论上可以支持神经形态的结构，极具创造力的原理求证也已经被报道。然而，泄露（leakage，即不希望的物种释放），以及敏感性、速度、制备、强非线性响应的缺乏等问题，使得网络层与层之间的组成变得棘手，同时将分子分类（molecular classification）等价到一个多层的神经网络依旧不够明确（例如，划分浓度空间的时候，是不能够线性划分的）。

这里，作者向我们介绍了一种基于DNA编码的、具有可调权重和偏差的酶催化神经元，然后将这些神经元集成到多层结构网络中来对非线性的区域进行分类。作者首先利用神经元的敏锐决策裕度（sharp decision margin）来计算10比特以上的各种函数。之后将神经元组成一个两层网络并在一个microRNA输入上合成一个矩形函数的参数族。最后，作者将神经和逻辑运算连接到一个混合电路中，这个电路会根据一个细胞尺度下的液滴中的决策树来递归划分浓度平面。这种计算能力和极致的小型化为查询和管理具有复杂内容的分析网络系统开辟了道路，比如活体组织检查或者DNA数据库。

图：基于DNA编码的，具有可调权重和偏差的酶催化神经网络结构示意图。(a) 多层神经网络可以对非线性可分离区域进行线性化分类。（b）作者提出的单个神经元计算其输入的加权和，并产生一个输出，如果总和超过阈值c（线性分类）则分类为绿色类别。（c）神经元的化学结构。当输入链 X_i  和 X_j 的加权激活（蓝色和橙色）克服阈值机制（紫色）时，输出链 α 的自催化放大（红色箭头）被触发。（d）化学神经元由三种酶驱动，产生（聚合酶）、切割（缺口酶）和降解（外切酶）DNA。（e）酶催化神经网络的构建模块。（f）基本组件的实验验证：单个输入的权重调整（左），两个输入的加权求和（中）和在 α 上应用阶跃函数（右）

4. 随机整合-放电网络的动力学

论文题目：Dynamics of Stochastic Integrate-and-Fire Networks

论文来源：Physical Review X

论文链接：https://journals.aps.org/prx/abstract/10.1103/PhysRevX.12.041007

产生感觉、运动和认知功能的神经动力学通常通过神经群体活动的场论来理解。经典的神经场理论源自个体神经元的高度简化模型，而生物神经元是高度复杂的细胞。整合-放电模型（Integrate-and-fire model）保留了神经元活动的一个关键非线性特征：动作电位将膜电位返回到几乎固定的复位值。经典的神经场理论中不存在峰值后膜电压的这种非线性重置。

在这里，我们为具有随机尖峰发射的整合-放电神经元网络开发了一种统计场论。这揭示了这些网络中活动的新平均场理论，对平均场动态的波动校正，以及对自洽更新过程的映射。我们使用这些来研究膜电压的尖峰驱动复位对神经群体活动的影响。尖峰复位在平均场膜电压动力学中产生一个乘法的、与速率相关的泄漏项。这导致均匀和兴奋抑制脉冲耦合网络的平均场理论中的静态和活跃状态之间的双稳态。由于从膜电压到尖峰发射的非线性映射和非线性复位，我们发现了对平均场理论的两种波动校正。这两种波动校正可能具有竞争效应，分别促进和抑制活动。然后，我们检查了尖峰重置和反复抑制在稳定网络活动中的作用。我们计算了抑制稳定的相图，发现抑制稳定状态发生在参数空间的广泛区域，这与不同大脑区域的抑制稳定实验报告一致。波动缩小了抑制稳定的区域，这与它们通过峰值重置抑制活动的作用一致。

图：通过脉冲重置和非线性强度函数波动对发射率的影响。（a）随机 LIF 神经元（顶部，黑色）和具有线性复位的神经元（底部，蓝色）的膜电压轨迹。为了比较，在这个面板中，只有两个神经元被迫具有相同的尖峰时间。（b）三种模型的发射率与静息电压 E 的关系。黑色：具有阈值线性强度函数 f(v)=⌊v−1⌋+ 的随机 LIF 神经元。蓝色：具有匹配强度函数 fL(v)=f(v) 的线性重置模型。橙色：具有匹配的平均场膜电压 fM(v)=vf(v) 的线性重置模型。点：模拟。实曲线：平均场预测。（c）波动对随机 LIF 神经元放电率的影响。虚线：平均场预测。虚线：自洽单循环预测，解释了预期电压和速率周围的高斯波动。固体：来自方程式的精确更新理论预测。（d）三种模型的单环和平均场率之间的差异。

5. 社会投资组合中的关系多样性

预示着幸福感

论文题目：Relational diversity in social portfolios predicts well-being

论文来源：PNAS

论文链接：https://www.pnas.org/doi/10.1073/pnas.2120668119

这篇文章记录了一个人的社会组合的关系多样性——一个人的社会交往中关系类型的丰富性和均匀性——与幸福感之间的联系。在四个不同的样本中，完成预注册调查的美国受访者（n = 578）、美国时间使用调查的受访者（n = 19197）、世界卫生组织全球老龄化和成人健康研究的受访者（n = 10447），和法国移动应用程序的用户（n = 21,644），规格曲线分析表明，社会组合多样性和幸福感之间的正向关系在不同的幸福感指标、不同的关系类型分类以及包含广泛的协变量时都是稳健的。除了人们的社会交往总量和他们所从事的活动的多样性之外，他们的社会组合的关系多样性是一个独特的预测幸福的因素，在个人之间和个人内部都是如此。

图：代表典型受访者低和高的示意图，社交互动水平（低于样本平均值一个标准差与高于样本平均值：低 = 36%，高 = 79%）和社会投资组合多样性水平（低于样本平均值一个标准差与高于样本平均值:  H_low  = 0.78,  H_high  = 1.71) 在法国经验抽样数据集中。

6. 神经表征几何学

是少镜头概念学习的基础

论文题目：Neural representational geometry underlies few-shot concept learning

论文来源：PNAS

论文链接：https://www.pnas.org/doi/10.1073/pnas.2200800119

如何从一个或几个感官经验中学习新概念，是理解人类卓越的认知能力的神经基础的一个基本问题。对自然概念的少镜头学习，我们提出了一个简单的、生物合理的、数学易处理的、计算能力强大的神经机制。我们假设可以从少数例子中学习到的概念，是由高阶感觉区域的神经放电速率空间中的严格限制流形所定义的。我们进一步假设，一个单一的可塑下游神经元可基于几个例子使用一个简单的可塑性规则学习到如何区分概念。我们证明了我们的提议的计算能力，表明它可以实现使用猕猴下颞叶皮层表示和深度神经网络（DNN）模型，实现高精度的自然视觉概念的少镜头准确学习，甚至可以只通过语言描述符，学习新的视觉概念。

此外，我们开发了一种少镜头学习的数学理论，通过描述神经表征的几个基本和可测量的几何特性，将神经生理学与行为结果的预测联系起来，这些神经表征可以准确地预测所有数值模拟中自然概念的少镜头学习表现。例如，这个理论揭示了高维流形增强了从少数例子中学习新概念的能力。有趣的是，我们观察到在灵长类动物的视觉通路和训练有素的 DNN 之间流形的几何形状明显的不匹配。我们讨论基于该理论的心理物理学（psychophysics）和神经生理学实验理论的可测试的预测。

图：（A）四镜头学习任务示例：分别给出四个训练实例，灰色方框中的测试图像是否包含一个“coati”(蓝色)或者一个“numbat”(绿色) ？（B）将每个训练实例呈现给腹侧视觉通路（ventral visual pathway）(上部) ，由训练后的 DNN（下部）建模，引发特征层中 IT 样神经元的活动模式。我们将概念学习建模为学习一个线性分割线 w 来对这些活动模式进行分类，这些活动模式可以被认为是高维活动空间（开放圆圈，右）中的点。在原型学习（prototype learning）的情况下，活动模式被平均到原型 x^a，x^b (填充圆圈)中，w 被指向原型 w = x^a-x^b 之间的差异，通过它们的中点。为了评估泛化精度，我们提出了一个测试图像，并确定其神经表示(灰色开环)是否正确分类。（C）来自 ImageNet21k 数据集（橙色）的 1000 × 999 对新视觉概念的概括精度非常高。相比之下，当使用随机初始化的 DNN （蓝色）或在输入图像（灰色）的像素空间学习线性分类器时，测试的准确性较差。

7. 通过累积互惠实现合作的演化

论文题目：Evolution of cooperation through cumulative reciprocity

论文来源：Nature Computational Science

论文链接：https://www.nature.com/articles/s43588-022-00334-w

互惠是一个简单的合作原则，它解释了人类如何寻求和接受彼此帮助的许多模式。为了捕捉互惠，传统模型通常假设个人使用记忆受限的简单策略。这些记忆-1 （memory-1）策略在数学上很方便，但它们忽略了人类互惠的重要方面，即背叛会产生持久的影响。

在这里，我们提出了一种累积互惠的策略。累积互惠者计算他们之前与对手互动中的合作不平衡。只要这种不平衡足够小，他们就会合作。使用分析和计算方法，我们表明该策略可以在存在错误的情况下维持合作，它可以强制执行公平的结果，并且可以在恶劣的环境中发展。通过经济实验，我们证实累积互惠比几种经典策略更能预测人类行为。累积互惠的基本原则是多样的，可以扩展到一系列社会困境。

图：反复囚徒博弈困境中的累积互惠（CURE）。（a） 囚徒困境博弈的收益矩阵。（b）当变节差异统计量 d(k) 超过容忍阈值（在这种情况下，Δ=2）时，CURE会出现缺陷。（c）当两个 TFT 玩家相遇，其中一个玩家犯错时，合作就会中断。当两个 CURE 玩家相遇时，即使有一个玩家在其中三个回合中错误地出现缺陷，合作也是稳健的（Δ=2）。蓝圈表示错误的发生，红字表示由错误引起的叛逃。

8. 如何用文本进行因果推断

论文题目：How to make causal inferences using texts

论文来源：Science Advances

论文链接：https://www.science.org/doi/10.1126/sciadv.abg2652

文本作为数据技术提供了巨大的希望：能够从收集的大量文本中归纳发现对社会科学的理论研究有用的措施。几乎所有基于文本的因果推理都依赖于文本的潜在表征，但我们表明，从数据中估计这种潜在表征会产生未被认识到的风险：可能会引入识别问题或过拟合。为了解决这些风险，我们引入一个分离样本的工作流程，用已发现的措施作为干预或结果进行严格的因果推断。然后，我们应用它来估计一个移民态度实验和一项官僚反应研究中的因果效应。

图：基于文本的对潜在干预和结果进行因果推断的流程图

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“我的集智”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