- 与景点互动的行人的集体动力学;
- 社会多媒体网络中时间相关性的影响;
- 主动网络对齐：基于匹配的方法;
- 交互注意的经常性网络推荐;
- 使用非均匀采样的联系数据估计流行病风险;
- CONE：面向社区的网络嵌入;
- 评估威斯康星州的党派Gerrymandering;
- 流量再分配模型下相互依赖的系统中的级联失效;
- 所有离散系统的信息论和长度分布;
- 两个传言的传播的确定性数学模型;
- IAD：社会网络中的互动感知扩散框架;
- 估计不完整信息网络上传播过程的结果：中尺度方法;
- 人类迁移和物质在网络通道中的运动;
- 基于主题的信息级联的影响接受模型;
与景点互动的行人的集体动力学
地址： http://arxiv.org/abs/1308.2321
作者： Jaeyoung Kwak, Hang-Hyun Jo, Tapio Luttinen, Iisakki Kosonen
摘要： 为了研究行人与景点之间的相互作用的集体效应，本研究扩展了社会力量模型。这种相互作用导致行人在景点周围形成稳定的群集，甚至如果相互作用变得更强，就会进入景点。还发现，对于高行人密度和中间的相互作用力量，一些行人涌入景点，而其他人则移动到邻近的景点。这些行人运动的集体模式或者它们之间的阶段和过渡被系统地呈现在一个阶段图中。结果表明，通过调节行人密度和有吸引力的相互作用的强度，可以实现安全高效的行人使用，例如为了避免有限资源的极度渴望的情况。
社会多媒体网络中时间相关性的影响
地址： http://arxiv.org/abs/1606.06626
作者： Michele Starnini, Andrea Baronchelli, Romualdo Pastor-Satorras
摘要： 多层网络代表了自然复杂系统描述的重大进步，他们的研究揭示了新的物理现象。然而，尽管它的重要性在于其时间维度在其结构和功能上的作用迄今尚未被详细研究。在这里我们研究由真实的社会多媒体网络展示的层之间的时间相关性。在基本层面上，这种相关性的存在意味着接触模式具有一定程度的可预测性，因为我们通过对单层案例提出的熵和互信息分析的扩展量化。在不同的层次上，我们证明时间相关性是网络代理的“多任务”行为的签名，其特征在于不同社会活动之间的转换水平比不相关模式预期的更高。此外，时间相关性显着影响在网络上展开的耦合流行病学过程的动力学。我们的工作为时间多路复用网络的系统研究开辟了道路，我们预计这将在许多领域的研究人员感兴趣。
主动网络对齐：基于匹配的方法
地址： http://arxiv.org/abs/1610.05516
作者： Eric Malmi, Aristides Gionis, Evimaria Terzi
摘要： 网络对齐是匹配两个图的节点的问题，最大化匹配节点的相似度和它们之间的边。在广泛的应用中遇到了这个问题 - 从生物网络到社会网络到本体，需要整合多个网络数据源。由于任务的困难，在没有人力援助的情况下很少找到准确的对齐方式。因此，开发网络对齐算法是非常重要的，该算法可以最佳地利用能够为少数节点提供正确对齐的专家。然而，只有少数现有的作品解决了这种有效的网络对齐设置。大多数现有的活动方法集中于绝对查询（“节点$ a $和$ b $是否相同”），而我们认为人类专家通常更容易回答相对查询（“哪个节点在集合$ \ {b_1，\ ldots，b_n } $中最像节点$ a $？“）。本文介绍了两种新的相对查询策略TopMatchings和GibbsMatchings，可以应用于构建和解决二分配匹配问题的任何网络对齐方法之上。我们的方法通过对与网络对齐实例相关联的二部图的匹配进行抽样来识别查询最多的信息节点。我们将提出的方法与几种常用的查询策略进行比较，并对合成和实际数据集进行实验。我们基于抽样的策略产生最高的总体绩效，在某些情况下，超过所有基准方法超过15个百分点。在准确性方面，TopMatchings和GibbsMatchings相当可比。然而，GibbsMatchings具有更大的扩展性，但也需要对温度参数进行超参数调整。
交互注意的经常性网络推荐
地址： http://arxiv.org/abs/1709.01532
作者： Wenjie Pei, Jie Yang, Zhu Sun, Jie Zhang, Alessandro Bozzon, David M.J. Tax
摘要： 捕获用户对项目偏好的时间动态对于推荐是很重要的。现有的方法主要假设用户项目交互历史中的所有时间步骤与推荐同样相关，但是不适用于用户项目交互经常偶然发生的现实世界场景。更重要的是，它们分别学习用户和项目动态，从而无法捕捉他们对用户项目交互的共同影响。为了更好地模拟用户和项目动态，我们提出了采用注意模型的交互注意循环网络（IARN）来测量每个时间步长的相关性。特别地，我们提出了一种新颖的关注方案，以交互方式学习用户和项目历史的注意分数，从而考虑到用户与项目之间的交互动态的依赖关系。通过这样做，IARN可以有选择地记住用户历史的不同时间步长，以预测不同项目的偏好。因此，我们的模型可以为推荐结果提供有意义的解释，这可以通过辅助功能进一步增强。对现实世界数据集的广泛验证表明，IARN始终优于最先进的方法。
使用非均匀采样的联系数据估计流行病风险
地址： http://arxiv.org/abs/1709.01548
作者： Julie Fournet, Alain Barrat
摘要： 描述人口联系的许多数据集由于人口抽样和接触不足而遭受不完整性的影响。使用这些不完整数据的数据驱动模拟传播过程导致了流行风险的低估，因此重要的是设计出纠正这种偏见的方法。我们在这里关注对个人之间的联系的非均匀抽样，旨在模仿日记或调查的结果，并将两个数据集作为案例研究考虑在不同的背景下收集。我们表明，使用在均匀群体抽样的情况下开发的方法构建的替代数据可以使用采样数据有所改进，但受到低估采样网络中链路密度的强烈限制。我们提出了构建替代数据的第二种方法，该数据假定知道形成群体的群体之间的链接密度。我们表明，当人口强大的结构化时，它给出了非常好的结果，并讨论了其组织结构较弱的人群的局限性。这些限制凸显出使用可穿戴式传感器进行测量的兴趣，能够产生关于触点结构和持续时间的准确信息。
CONE：面向社区的网络嵌入
地址： http://arxiv.org/abs/1709.01554
作者： Carl Yang, Hanqing Lu, Kevin Chen-Chuan Chang
摘要： 侦察社区在网络研究中一直受到欢迎。通常基于关于社区特征的启发式假设，如边密度和节点均匀性，将其建模为图上的无监督聚类问题。在这项工作中，我们怀疑这些广泛采用的假设的普遍性，并将人类标记社区与通过各种主流算法获得的机器预测进行比较。基于支持结果，我们认为社区是由各种社会模式所定义的，而基于启发式的无监督学习则无法捕获所有这些。因此，我们建议通过社区导向网络嵌入（CONE）对社区检测进行监督，利用有限的地面实体社区作为例子，了解嵌入模型，了解其背后的社会模式。具体来说，通过将经常性神经网络与图上的随机游走相结合，以捕获由地面真相社区指导的社会模式，开发了深层建筑。由学习模型产生的其他节点的嵌入的通用聚类算法有效地显示出与地面实体相似的社区相似的社区。
评估威斯康星州的党派Gerrymandering
地址： http://arxiv.org/abs/1709.01596
作者： Gregory Herschlag, Robert Ravier, Jonathan C. Mattingly
摘要： 我们检查2010年大会区域地图的威斯康星州的流行程度。我们发现选举结果有很大的差异，取决于使用什么地图。我们还发现，有强有力的证据表明，地图的地图非常流行，而且这种混乱可能在一些选举中改变了威斯康星大会的党派组成。与大会可能的重新分配计划的分配相比，威斯康星州选择的计划是一个异常值，因为它产生了与共和党人高度偏差的结果，当时全国民主党人的比例超过总票数的50-52％精确的阈值取决于所考虑的选举）。威斯康辛州的计划旨在通过提供额外的共和党席位维护共和党多数席位，即使当民主党的投票权增加到权力平衡将会转移到绝大多数重新划分的计划的范围内。
流量再分配模型下相互依赖的系统中的级联失效
地址： http://arxiv.org/abs/1709.01651
作者： Yingrui Zhang, Alex Arenas, Osman Yağan
摘要： 相互依赖的系统的鲁棒性和级联失败在过去十年中一直是积极的研究领域。然而，大多数现有的作品使用基于渗滤的模型，其中每个网络中最大的组件在整个级联中仍然保持有效。尽管适用于通信网络，但是这种假设不能捕获携带流量的系统（例如，电力系统，道路交通网络）的依赖性，其中级联故障通常由导致线路过载的流的再分配而触发。在这里，我们考虑一个由系统$ A $和$ B $组成的模型，初始行负载和容量由$ \ {L_ {A，i}，C_ {A，i} } _ {i = 1} ^ { n} $和$ \ {L_ {B，i}，C_ {B，i} } _ {i = 1} ^ {m} $。当系统$ A $中的一行失败时，$ a $的$ a $ -fraction在$ A $中的所有功能行之间平均重新分配，而剩余$（1-a）$ - 分数则重新分配给$ B $中的活动行; $ B $中的一条线路失败的处理方法与$ b $类似，给出分配给$ A $的分数。我们对由$ A $和$ p $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $我们显示（i）该模型捕获了意想不到的大规模级联的现实世界现象：最终的崩溃始终是一阶的，但它可以在一系列的一阶和二阶转换之前; （ii）网络鲁棒性紧密依赖于耦合系数$ a $和$ b $，鲁棒性最大化在一般的非平凡$ a，b $值; （iii）与现有模型不同，相互依赖性对系统的鲁棒性具有多方面的影响，因为相互依赖性可导致每个单独网络的改进的鲁棒性。
所有离散系统的信息论和长度分布
地址： http://arxiv.org/abs/1709.01712
作者： Les Hatton, Gregory Warr
摘要： 我们从非凡的观察开始，在UniProt（通用蛋白质资源）中以氨基酸测量的8000万个蛋白质的长度分布与所有尺度上以编程语言令牌测量的大量计算机功能的长度分布在质量上是相同的。两个这样不同的离散系统共享重要的结构性质表明，其他明显不相关的离散系统可能具有相同的性质，当然也有一个解释。我们证明，对于所有使用代币或符号构建的分立系统，这是不可避免的。通过将经典统计力学框架中的Hartley-Shannon保护信息（CoHSI）嵌入现有工作中，我们确定了两种离散系统，异构和均匀。不均匀系统包含由独特的令牌字母表构成的组件，并产生隐含的CoHSI分布，其具有锐化到幂律的尖峰单峰。均匀系统包含每个由该组件唯一的一种令牌构建的组件，并产生对应于Zipf定律的CoHSI分布。该理论应用于异构系统（蛋白质组学，计算机软件，音乐）;均匀系统（语言文本，元素丰富）;以及异构和均匀行为同时存在的系统（语言文本中的字频和字长频率）。在每种情况下，对这一理论的预测进行了测试和支持，达到了高水平的统计学意义。我们还表明，在同一个异质系统中，不同但一致的字母必须通过幂律相关联。我们通过在独特的音符字母表的定义中排除和包括音符持续时间，在大量的音乐上展现这一点。
两个传言的传播的确定性数学模型
地址： http://arxiv.org/abs/1709.01726
作者： René Escalante, Marco Odehnal
摘要： 在本文中，我们提出一个确定性数学模型，试图用临时免疫和非线性发生率的SIRS型流行病学模型来解释谣言的传播。特别是，当使用所谓的“复杂网络”时，我们推测信息的传播。研究了在相同人群中引入由疫苗接种模式启发的第二个传言的效果，这种传播将试图抵消原来谣言的影响。这是社区中经常发生的情况，当传闻被相反的信息或消息抵消时，其行为方式与谣言相同。此外，进行动态模型的定性分析和数值实验。我们证实传播谣言的动态与传染病动力学中发现的行为相似。
IAD：社会网络中的互动感知扩散框架
地址： http://arxiv.org/abs/1709.01773
作者： Xi Zhang, Yuan Su, Siyu Qu, Sihong Xie, Binxing Fang, Philip S. Yu
摘要： 在网络中，诸如信息和购买行为之类的多重传染可以在彼此同时传播时相互交互。然而，大多数现有的信息扩散模型建立在假设每个个体传染性独立地传播，而不管它们的相互作用。了解这种互动对于了解传染性采纳行为至关重要，从而可以做出更好的预测。在本文中，我们研究了一组互动下的传染性采纳行为，特别是用户之间的相互作用，传染性内容和情绪，从社会网络结构和文本中学习。然后，我们开发了一个有效和高效的交互感知扩散（IAD）框架，将这些交互结合到一个统一的模型中。我们还提出了一个生成过程来区分用户角色，一种共同训练方法来确定传染性的类别，并提供一个新的主题模型来获取主题特定的情感。对大规模微博数据的评估表明，我们的建议可以了解不同的用户，传染性类别和情感如何有效地相互影响。通过这些互动，我们可以比最先进的基线做出更准确的预测。此外，我们可以更好地了解互动如何影响传播过程，从而为病毒式营销中的信息推广或抑制提供有用的指导。
估计不完整信息网络上传播过程的结果：中尺度方法
地址： http://arxiv.org/abs/1709.01806
作者： Anna Sapienza, Alain Barrat, Ciro Cattuto, Laetitia Gauvin
摘要： 数据收集的最新进展有助于获得时间分辨的人类邻近数据，这些数据可以方便地表示为个人之间的接触的时间网络。虽然这种数据是调查信息或疾病如何在人口中传播的基础，但它往往遭受不完备，这可能导致有偏见的结论。因此，一个主要挑战是估计在部分信息构建的时间网络上发生的扩展过程的结果。为了解决这个问题，我们设计了一种基于非负折射因子分解（NTF）的方法 - 一种多线性代数的维数降低技术。关键概念是学习从部分信息构建的时间网络的低维表示，以适应它以考虑已知对网络上发生的传播过程至关重要的时间和结构异构性质，并以这种方式构建替代网络类似于完整的原始网络。为了测试我们的方法，我们考虑几个人机接近网络，我们模拟数据丢失。使用我们在所得到的部分网络上的方法，我们为每个网络构建完整网络的代理版本。然后，我们比较完整网络上的扩展过程的结果（不被数据丢失改变）和代理网络。我们观察到使用代理网络获得的流行程度与完整网络上测量的流行病大小很一致。最后，当提供额外的数据源来应对丢失的数据问题时，我们建议扩展我们的框架。
人类迁移和物质在网络通道中的运动
地址： http://arxiv.org/abs/1709.01833
作者： Nikolay K. Vitanov, Kaloyan N. Vitanov
摘要： 我们研究网络通道中物质的运动，该网络由网络节点链（节点可以认为是框）和连接节点的边构成物质运动的方式。信道的节点可以具有不同的“泄漏”，即一些物质可以在一个节点处离开信道，并且对于该信道的不同节点而言，离开速率可能不同。此外，与通道的入口节点周围的节点相比，靠近通道末端的节点（构造或其他）原因可能对物质更具吸引力。我们讨论包含无限或有限数量的节点的信道，并获得物质沿着节点的分布。研究了渠道功能的两个制度：静止制度和非固定制度。物质沿着通道的节点在静止状态的情况下的分布是Waring分布（对于具有无限数量的节点的信道）的推广或截断的Waring分布的泛化（对于具有有限数量的节点的信道）。在通道运行的非静止状态中，观察到节点中物质量的指数增加或指数下降。尽管在这种情况下，物质在通道的节点中的渐近分布是静止的。发达的理论被用于研究移民在形成移民渠道的国家中的分配。
基于主题的信息级联的影响接受模型
地址： http://arxiv.org/abs/1709.01919
作者： Ming Yu, Varun Gupta, Mladen Kolar
摘要： 我们考虑基于信息扩散过程的观察数据估计社会网络的潜在结构的问题，或者{\ it cascades}。对于给定的级联，我们只观察节点/代理感染的时间，而不是感染源。现有的文献集中在估计网络扩散矩阵，而对网络的结构没有任何基本假设。我们提出了一种推理网络扩散矩阵的新型模型，其基于直觉，如果信息数据对于与信息相同的类似主题感兴趣，则更可能在两个节点之间传播信息数据。特别地，我们的模型赋予每个节点一个影响向量（它们对每个主题的权威性）以及一个接受性向量（它们对每一个主题的影响）。我们展示了如何从观察到的级联估计这个节点主题结构。估计模型可以用于建立基于感受向量的推荐系统，以及基于影响向量的营销。
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。本系列在个人博客 https://www.complexly.me 进行更新，并提供RSS订阅。