- 多重网络中的深度学习超扩散;
- CED：可靠的社交媒体谣言早期检测;
- 基于渗流概率的电力CPS风险传播阈值定量估计方法;
- 有向非对称随机块模型中宏观结构的可检测性;
- 通信网络中收入推理的贝叶斯方法;
- 使用非回溯扩展来分析k核修剪过程;
- 无向网络中的覆盖中心性最大化;
- 智能社会网络的自学习信息扩散模型;
- 网络嵌入和图汇总的关系;
- 网络攻击下链路预测的鲁棒性;
- 时变网络中的时间稳定社区;
- Segue：通过空间布局的交互构建来概述自我中心网络的演化模式;
多重网络中的深度学习超扩散
原文标题： Deep Learning Super-Diffusion in Multiplex Networks
地址： http://arxiv.org/abs/1811.04104
作者： Vito M. Leli, Saeed Osat, Timur Tlyachev, Jacob D. Biamonte
摘要： 复杂网络理论已经成功地理解了复杂系统的紧急和集体行为[1]。最近发现许多真实世界的复杂系统被更准确地建模为多路复用网络[2-6] ---其中每种交互类型都映射到它自己的网络层;例如，多层传输网络，耦合的社会网络，代谢和调节网络等。从多路复用中出现的显著物理现象是超扩散：由任何单层结构所承认的加速扩散表现出来。仅使用多重网络的完整拉普拉斯算子及其相互作用层的谱间隙来预测理论上的超扩散。在这里，我们转向机器学习，它开发了识别，分类和表征复杂数据集的技术。我们表明，现代机器学习架构，如完全连接和卷积神经网络，可以分类和预测多重网络中超扩散的存在，精度为94.12％。这种预测可以直接完成，而无需确定网络的谱属性。
CED：可靠的社交媒体谣言早期检测
原文标题： CED: Credible Early Detection of Social Media Rumors
地址： http://arxiv.org/abs/1811.04175
作者： Changhe Song, Cunchao Tu, Cheng Yang, Zhiyuan Liu, Maosong Sun
摘要： 谣言通过在线社交媒体服务迅速传播，人们正在探索自动检测谣言的方法。现有方法通常学习所有转发到谣言候选者的预测的语义表示。然而，在它们引起严重的社会混乱之前尽早有效地发现谣言至关重要，这在以前的工作中并未得到很好的解决。在本文中，我们提出了一种新的早期谣言检测模型，可信早期检测（CED）。通过将所有对谣言候选人的转发作为序列，所提出的模型将寻求早期的时间点以进行可信的预测。我们对三个真实世界的数据集进行了实验，结果表明我们提出的模型可以显著减少预测的时间跨度超过85％，具有比所有最先进的基线更好的准确性。
基于渗流概率的电力CPS风险传播阈值定量估计方法
原文标题： Method for Quantitative Estimation of the Risk Propagation Threshold in Electric Power CPS Based on Seepage Probability
地址： http://arxiv.org/abs/1811.04191
作者： Zhaoyang Qu, Yu Zhang, Nan Qu, Lei Wang, Yang Li, Yunchang Dong
摘要： 由于电力CPS网络的不均匀性和风险传播过程的动态性，很难量化网络风险爆炸的临界点。从依赖网络的角度出发，提出了一种基于渗流理论定量评价电力CPS网络风险传播阈值的方法。首先，根据拓扑相关性和耦合逻辑，将功率CPS网络抽象为双层网络导向的非加权图，并使用非对称滚珠分配方法建立“一对多”和“一对多”。部分耦合的“非均匀功率CPS表征模型”。然后，考虑到网络层与物理层链路之间的方向性，引入渗流概率，建立各层内部耦合关系的传播动力学方程。最后，通过定义功率CPS网络节点的生存函数来数值量化风险传播阈值，并且通过IEEE 30总线系统和150节点Barabsi-Albert模型验证了所提出方法的有效性。
有向非对称随机块模型中宏观结构的可检测性
原文标题： Detectability of Macroscopic Structures in Directed Asymmetric Stochastic Block Model
地址： http://arxiv.org/abs/1811.04209
作者： Mateusz Wilinski, Piero Mazzarisi, Daniele Tantari, Fabrizio Lillo
摘要： 我们研究了识别网络中宏观结构的问题，描述了引入链路方向对可检测性相变的影响。为此，在随机块模型的基础上，我们构造了一类几乎不可检测的有向网络。我们通过使用置信传播方法找到封闭形式的解决方案，显示过渡线如何依赖于网络的协调性和不对称性。最后，我们在数值上确定了靠近转变点的检测硬相的存在。
通信网络中收入推理的贝叶斯方法
原文标题： A Bayesian Approach to Income Inference in a Communication Network
地址： http://arxiv.org/abs/1811.04246
作者： Martin Fixman, Ariel Berenstein, Jorge Brea, Martin Minnoni, Matias Travizano, Carlos Sarraute
摘要： 移动电话通信在过去几年的爆炸发生在数据处理能力呈指数增长的时刻。由于在全球范围内的这两个变化，已经开放了使用移动电话通信来产生移动电话用户的推断和特征的道路。在这项工作中，我们使用通过一组用户属性丰富的通信网络，以更好地了解人口的人口统计特征。也就是说，我们使用呼叫详细记录和银行信息来推断图中每个人的收入。
使用非回溯扩展来分析k核修剪过程
原文标题： Using NonBacktracking Expansion to Analyze k-core Pruning Process
地址： http://arxiv.org/abs/1811.04295
作者： Rui-jie Wu, Yi-Xiu Kong, Gui-yuan Shi, Yi-Cheng Zhang
摘要： 我们引入NonBacktracking扩展分支方法来分析不包含任何自循环或多边的单分子图G上的k核修剪过程。与数学上难以求解的生成函数或度分布演化方程等传统方法不同，该方法提供了k核修剪过程的简单直观的解决方案。此外，这种方法可以自然地扩展到研究相关网络上的k核修剪过程，这是分析解决问题的少数尝试之一。
无向网络中的覆盖中心性最大化
原文标题： Coverage Centrality Maximization in Undirected Networks
地址： http://arxiv.org/abs/1811.04331
作者： Gianlorenzo D'Angelo, Martin Olsen, Lorenzo Severini
摘要： 中心度量是社会网络分析的主要工具之一。作为网络用户的核心，可为用户带来多种好处：中央用户具有很高的影响力，并在网络中发挥关键作用。因此，最近增加网络用户中心性的优化问题受到了相当多的关注。鉴于网络和目标用户 v ，中心性最大化问题在于根据某些中心度量标准，以 v 的中心性最大化的方式创建 k 的新事件链接。文献中提出的大多数算法基于显示给定中心度量在链路添加方面是单调和子模块的。但是，如果链接是无向的，则此属性不适用于基于最短路径的中心度量标准。在本文中，我们研究了无向网络中的中心最大化问题，这是一个最重要的基于最短路径的中心度量，即覆盖中心性。我们提供几种硬度和近似结果。我们首先表明问题不能在大于 1-1 / e 的因子内近似，除非 P = NP ，并且在更强的差距-ETH假设下，问题不能在一个优于 1 /的因子内近似。 n ^ {o（1）} ，其中 n 是用户数。然后我们提出两种贪婪的近似算法，并表明通过适当地组合它们，我们可以保证 \ Omega（1 / \ sqrt {n}）的近似因子。我们通过实验比较我们的近似算法提供的解决方案和通过精确IP公式计算的最优解。我们证明了我们的算法产生了非常接近最优的解。
智能社会网络的自学习信息扩散模型
原文标题： A Self-Learning Information Diffusion Model for Smart Social Networks
地址： http://arxiv.org/abs/1811.04362
作者： Qi Xuan, Xincheng Shu, Zhongyuan Ruan, Jinbao Wang, Chenbo Fu, Guanrong Chen
摘要： 在这个大数据时代，越来越多的社会活动被数字化，从而变得可追溯，因此社会网络的研究越来越受到学术界的关注。人们普遍认为，社会网络在信息传播过程中发挥着重要作用。然而，相反的问题，即信息传播过程如何重建社会网络，在很大程度上被忽视了。在本文中，我们提出了一个新的框架来理解这种逆转效应。具体来说，我们首先在社会网络上引入一种新颖的信息扩散模型，通过考虑两种类型的个体，即智能和正常个体，以及两种消息，真假信息。由于社会网络由具有自学习能力的人类个体组成，因此如果该个体从该邻居接收到真实（或错误）消息，则个人对其邻居之一的信任增加（或减少）。基于这种简单的自学习机制，我们证明了社会网络确实能够更好地区分真实信息和虚假信息。此外，我们观察到基于新模型的社会分层的出现，即，更接近智能的个体最初发布的真实消息可以被更多其他人转发，这通过自学习机制得到增强。我们还发现交叉优势，即两个链网络之间的互连可以使相关个体具有更高的社会影响，即，他们的消息可以由相对更多的其他人转发。我们从理论上获得了这些结果，并通过模拟验证了这些结果，这有助于更好地理解社会网络与信息扩散之间的互惠关系。
网络嵌入和图汇总的关系
原文标题： Bridging Network Embedding and Graph Summarization
地址： http://arxiv.org/abs/1811.04461
作者： Di Jin, Ryan Rossi, Danai Koutra, Eunyee Koh, Sungchul Kim, Anup Rao
摘要： 节点表示学习普遍存在的一个重要原因是它们在图上的下游机器学习任务中的优越性。然而，存储大量真实世界图的基于矢量的节点表示通常需要大几个数量级的空间。为了缓解这个问题，我们引入了潜在的网络摘要问题，这是网络嵌入问题的补充，并提出了一个称为Multi-LENS的通用框架。潜在网络摘要的目标不是导出密集的节点表示，而是在潜在空间中总结图的结构属性，其维度独立于输入图中的节点或边。 Multi-LENS给出的与大小无关的图表摘要包括（i）一组关系聚合器及其组成（关系函数），它们捕获多阶节点中心子图的结构特征，以及（ii）低阶近似包含捕获结构特征的矩阵。此外，由于其归纳特性，Multi-LENS能够从该潜在摘要中动态地导出节点嵌入。 Multi-LENS桥接嵌入和图汇总带来的优势，适用于带或不带方向性，权重，属性或标签的图。在合成图和真实图上进行的大量实验表明，与现有的表示学习方法相比，Multi-LENS在链路预测的AUC方面实现了2-89％的改进，同时需要的空间小于79x。我们还展示了Multi-LENS摘要在两个真实图表上的异常和事件检测中的有效性。
网络攻击下链路预测的鲁棒性
原文标题： Robustness of link prediction under network attacks
地址： http://arxiv.org/abs/1811.04528
作者： Kun Wang, Lunbo Li, Cunlai Pu
摘要： 虽然网络中的链路预测多年来一直是热门话题，但其稳健性尚未在文献中得到很好的讨论。在本文中，我们研究了一些主流链路预测方法在各种网络攻击策略下的鲁棒性，包括随机攻击（RDA），基于中心的攻击（CA），基于相似性的攻击（SA）和基于模拟退火的攻击（ SAA）。通过精度的变化，链路预测的典型评估指标，我们发现对于SA和SAA，一小部分链路去除可以显著降低链路预测的性能。通常，SAA具有最高的攻击效率，其次是SA，然后是CA.有趣的是，某些特定CA策略的性能，例如基于间接性的攻击（BA），甚至比RDA更差。此外，我们发现具有高性能的链路预测方法可能具有较低的攻击稳健性，反之亦然。
时变网络中的时间稳定社区
原文标题： Temporal Stable Community in Time-Varying Networks
地址： http://arxiv.org/abs/1811.04549
作者： Wenjing Wang, Xiang Li
摘要： 识别复杂网络的社区结构可以深入了解网络拓扑与网络紧急集体行为之间的相互依赖性，同时在时变网络中检测此类不变社区更具挑战性。在本文中，我们定义了时间稳定社区，并新提出了动态模块化的概念，以评估时变网络中的稳定社区结构，这对于小变化具有鲁棒性，这可以通过几个经验时变网络数据集来验证。此外，利用功能性脑网络中时间稳定群落的波动特征，我们成功地有效地区分了ADHD（注意力缺陷多动障碍）患者和健康对照。
Segue：通过空间布局的交互构建来概述自我中心网络的演化模式
原文标题： Segue: Overviewing Evolution Patterns of Egocentric Networks by Interactive Construction of Spatial Layouts
地址： http://arxiv.org/abs/1811.04895
作者： Po-Ming Law, Yanhong Wu, Rahul C. Basole
摘要： 全面了解大量自我网络如何发展是一项普遍但具有挑战性的任务。现有技术通常要求分析师一个接一个地检查自我网络的演化模式。在本研究中，我们探索了一种方法，允许分析人员以交互方式创建空间布局，其中每个点都是动态自我网络。这些空间布局提供了自我网络演化模式的概述，从而揭示了不同的全局模式，如趋势，聚类和演化模式中的异常值。为了让分析师以交互方式构建可解释的空间布局，我们提出了一个数据转换管道，分析师可以利用该管道调整空间布局并将动态网络转换为事件序列，以帮助解释空间位置。基于这种转换管道，我们开发了Segue，一种视觉分析系统，支持彻底探索自我网络的演化模式。通过两种使用场景，我们演示了分析师如何通过交互式创建不同的空间布局来深入了解大量自我网络的整体演化模式。
声明：Arxiv文章摘要版权归论文原作者所有，由本人进行翻译整理，未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://www.complexly.me （提供RSS订阅）进行同步更新。