- 网络系统中的战略投资保护;
- 自组织社会：种植者指南;
- 基于谱的深层神经网络进行欺诈检测;
- 关于社会网络主题，信息扩散和连接的相互作用的文献调查;
- 用户表示和信任的同时推论;
- DANI：快速扩散感知网络推理算法;
- 多重偏差的规划;
- 多来源和多目标的高效个性化PageRank估计;
- 图：用于大规模网络的模型，估计和设计算法的非参数方法;
- PREP：异构信息网络中概率视角的基于路径的相关性;
- 学位排名;
- 全球道路网的尺度结构;
网络系统中的战略投资保护
地址： http://arxiv.org/abs/1510.09140
作者： Matt V. Leduc, Ruslan Momot
摘要： 我们研究了代理商必须为网络系统中级联故障进行昂贵的保护投资的激励措施。应用包括疫苗接种，计算机安全和机场安全。代理通过网络连接，并且本身或由于邻居子集的故障而导致故障。我们基于主体人的失败概率来表征均衡，并导出平衡策略在程度上单调的条件（即，代理在网络上的联系）。我们显示，不同种类的应用（例如疫苗接种，恶意软件，机场/欧盟安全）导致了非常不同的平衡保护投资模式，具有重大的福利和风险。我们的均衡概念足够灵活，允许在网络性质方面的比较静态，我们表明，引入全球外部性（例如价格反馈，拥塞）也是可行的。
自组织社会：种植者指南
地址： http://arxiv.org/abs/1706.00776
作者： John E. Stewart
摘要： 人类社会能否受到制约，自我组织之后就会产生促进社会目标的结果？这样一个社会是自我组织的，只有追求自身利益的个人不论是为了整个社会的利益行事，都不会有任何意图。本文确定了如果出现这样一个自组织的社会必须满足的条件。它表明，自组织社会的关键能力要求是后果捕获。广义上，这意味着社会上的所有代理人都必须掌握他们对社会目标的行为产生的充分利益（和危害）。后果捕获可以通过适当的管理（可演化约束的系统）在社会中组织起来，抑制免费的车手并支持亲社会行为。在人类社会中，这些制约因素包括诸如治理制度和社会规范等制度。本文确定了组织社会的方式，以便有效的治理也将自我组织。这将形成一个完全自我组织的社会，所有代理人（包括个人，协会，公司，跨国公司，政治组织，机构和政府）的利益符合整个社会的利益。
基于谱的深层神经网络进行欺诈检测
地址： http://arxiv.org/abs/1706.00891
作者： Shuhan Yuan, Xintao Wu, Jun Li, Aidong Lu
摘要： 在本文中，我们专注于仅使用一小组标记训练数据的签名图上的欺诈检测。我们提出了一个结合深层神经网络和谱图分析的新框架。特别地，我们使用图邻接矩阵的低维谱空间中的节点投影（称为谱坐标）作为深层神经网络的输入。谱空间中的谱坐标捕获网络中最有用的拓扑信息。由于谱坐标的小维数（与从图导出的邻接矩阵的维数相比较），训练深层神经网络变得可行。我们在欺诈检测框架中开发和评估两个神经网络，深度自动编码器和卷积神经网络。真实签名图的实验结果表明，我们的基于谱的深层神经网络在欺诈检测中是有效的。
关于社会网络主题，信息扩散和连接的相互作用的文献调查
地址： http://arxiv.org/abs/1706.00921
作者： Kuntal Dey, Saroj Kaushik, L. Venkata Subramaniam
摘要： 研究人员试图在在线社交网络上建立信息传播和主题趋势和生命周期。他们调查了内容，社会关系和社区的作用，熟悉程度和行为相似性。目前的文章介绍了一个代表性模型的调查，它们执行主题分析，捕获信息的传播，以及在在线社交网络的背景下探索社会关系的属性。本文最后提出了一系列公开问题的概述和未来研究兴趣的可能方向。本文旨在为研究人员识别当前文献，并探索改进艺术的可能性。
用户表示和信任的同时推论
地址： http://arxiv.org/abs/1706.00923
作者： Shashank Gupta, Pulkit Parikh, Manish Gupta, Vasudeva Varma
摘要： 推动社交媒体用户之间的信任关系对于用户寻求可靠信息的一些应用程序至关重要。可靠的信任关系是稀缺和偏斜的事实使得信任预测成为一项具有挑战性的任务。据我们所知，这是探索信任预测表征学习的第一个工作。我们提出一种仅使用少量二进制用户信任关系来同时学习用户嵌入的方法，以及一种预测用户对之间信任的模型。我们经验证明，对于信任预测，我们的方法胜过基于分类器的方法，其使用最先进的表示学习方法，如DeepWalk和LINE作为特征。我们还进行了使用DeepWalk和LINE预先训练的嵌入式实验的实验，作为我们模型的输入，从而进一步提高了性能。对$ \ sim $ 356K用户对的数据集的实验表明，所提出的方法可以获得92.65％的高F分数。
DANI：快速扩散感知网络推理算法
地址： http://arxiv.org/abs/1706.00941
作者： Maryam Ramezani, Hamid R. Rabiee, Maryam Tahani, Arezoo Rajabi
摘要： 近年来社交网络的快速增长和隐私的要求导致了获得这些网络完整拓扑结构的难度越来越大。然而，通过这些网络的扩散信息是可用的，并且已经提出了许多算法来通过使用该信息来推断底层网络。以前提出的算法只关注于推断更多的链接，并且不注意底层社交网络的重要特征在本文中，我们提出了一种称为DANI的新颖算法来推断底层网络结构，同时通过使用扩散信息。此外，所提出的方法的运行时间远低于以前的方法。我们将所提出的方法应用于实际和合成网络。实验结果表明，与知名网络推理方法相比，DANI具有更高的精度和更低的运行时间。
多重偏差的规划
地址： http://arxiv.org/abs/1706.01062
作者： Jon Kleinberg, Sigal Oren, Manish Raghavan
摘要： 最近的工作已经考虑了具有特定行为偏差的代理人的行为的理论模型：而不是做出优化给定收益函数的决策，代理人的行为效率低下，因为它的决策受到潜在的偏见。这些方法通常被认为是经历单一行为偏见的代理人，研究这种偏见对结果的影响。然而，一般来说，决策可能而且将受到同时运作的多重偏差的影响。多重偏差如何相互作用产生整体结果？在这里，我们考虑到存在直观自然相互作用的一对偏差的决策：目前的偏见 - 在目前太高和沉没成本偏差中引发的价值成本的倾向 - 纳入在过去成为未来的计划。我们提出了一个用这种偏差进行规划的理论模型，并且我们展示了只有当代理人展现出两种偏见时，才能在我们的模型中出现某些自然行为现象。作为我们模型的一部分，我们区分了知道他们的偏见（复杂）的代理和不知道它们的代理（天真的）。有趣的是，我们显示出两种偏差之间的相互作用是相当复杂的：在某些情况下，它们会减轻对方的影响，而在其他情况下，它们可能相互放大。我们还获得了一些进一步的成果，其中包括我们的模型中的规划问题，体验和意识到这两种偏见在计算上总体上是困难的，尽管在更为宽松的假设条件下易于理解。
多来源和多目标的高效个性化PageRank估计
地址： http://arxiv.org/abs/1706.01091
作者： Daniel Vial, Vijay Subramanian
摘要： 个性化PageRank（PPR）是从另一个节点的角度衡量一个节点在图中的重要性（我们分别将这些节点称为目标节点和源节点）。 PPR已被用于许多应用中，例如提供一个Twitter用户（来源）个性化建议，以便谁遵循（PPR认为重要的目标）。计算PPR规模对于像Twitter这样的网络是不可行的，所以提出了许多估计算法。在这里，我们探讨了两种估计许多源/目标对的PPR的方法。我们的第一种方法是基于单个源/目标对的最先进的PPR估计器。我们通过消除对每个源或每个目标单独使用现有算法时可能发生的重复计算，将此方法扩展到许多源和/或许多目标的情况。当给出一组称为已知集合的节点的PPR时，我们的第二种方法考虑了源的PPR计算。如果已知集合被适当地选择，我们可以在较小的图上计算源的PPR。在高层次上，这两种方法都可以被看作维度降低方法，其中通过利用某些图特征在源和/或目标之间共享用于计算PPR的数量。展望未来，我们的目标是更深入地了解PPR向量 - 高维数组对象的相关性。这可能反过来有助于我们了解现代网络中的信息如何组织。
图：用于大规模网络的模型，估计和设计算法的非参数方法
地址： http://arxiv.org/abs/1706.01143
作者： Christian Borgs, Jennifer T. Chayes
摘要： 许多社会和经济制度自然地表现为网络，从离线和在线社交网络到消费者和产品之间的Netflix和亚马逊等二方网络。作为图限制开发的图，形成一种自然而非参数的方法来描述和估计像Facebook和LinkedIn这样的大型网络。在这里，我们描述了过去十年来，密集和稀疏网络的图理论的发展。我们还回顾了一些定理，表明我们可以一直从各种模型的大规模网络中估计图。最后，我们展示如何使用图来估计稀疏网络中的遗漏链接，该网络具有从开发经济学中估计社会和信息网络的应用程序，以严格有效地与Netflix中的电影建议应用程序进行协同过滤以及亚马逊的产品建议。
PREP：异构信息网络中概率视角的基于路径的相关性
地址： http://arxiv.org/abs/1706.01177
作者： Yu Shi, Po-Wei Chan, Honglei Zhuang, Huan Gui, Jiawei Han
摘要： 作为网络和多类型数据的强大表征范例，异构信息网络（HIN）是无处不在的。同时，定义适当的相关性措施一直是网络挖掘任务的根本问题，具有重要的实践意义。受我们对现有路径相关性度量的概率解释的启发，我们提出从概率角度研究HIN相关性。我们还从现实世界的数据中确定，并提出建立跨元路径协同作用，这是定义基于路径的HIN相关性的重要特征，并没有被现有方法建模。建立了一个生成模型，以推导出一种基于路径的新型相关性度量，这是针对每个HIN进行数据驱动和量身定制的。我们开发推理算法来找到模型参数的最大后验（MAP）估计，这需要非平凡的技巧。两个实际数据集的实验证明了所提出的模型和相关性度量的有效性。
学位排名
地址： http://arxiv.org/abs/1706.01205
作者： Akrati Saxena, Ralucca Gera, S. R. S. Iyengar
摘要： 大多数真实世界的动态网络随着时间的推移变得非常快。在任何特定时间收集整个网络以研究其特征是不可行的。这就需要提出本地算法来研究网络的各种属性。在目前的工作中，我们估计一个节点的学位等级没有整个网络。所提出的方法是基于幂律度分布特征或采样技术。所提出的方法在合成网络以及现实社会网络上进行模拟。使用绝对和加权误差函数评估所提出的方法的效率。结果表明，仅使用网络大小的$ 1 \％$样本，可以高精度地估计节点的度数。估计的准确性从高排名到低排名的节点。我们进一步扩展了所提出的随机网络方法，并验证了它们在合成随机网络上的效率，这些网络使用Erd \ H {o} s-R '{e} nyi模型生成。结果表明，所提出的方法也可以有效地用于随机网络。
全球道路网的尺度结构
地址： http://arxiv.org/abs/1706.01401
作者： Emanuele Strano, Andrea Giometto, Saray Shai, Enrico Bertuzzo, Peter J. Mucha, Andrea Rinaldo
摘要： 由于全球城市化日益加剧及其直接后果，包括粮食需求/流通和土地利用格局的变化，下一个世纪将在全世界铺路的道路上大幅增加。因此，了解全球道路网络结构中固有的可能的自组织模式是至关重要的。在这里，我们使用最大的更新数据库，包括地球上的所有主要道路，连同全球城市和农田库存，建议在农田之间的道路长度分布与城市道路长度分布无法区分，一旦重新定位，以考虑平均路面长度的差异。这种相似性延伸到给定区域的城市或农业领域内的道路长度分布。我们发现两个不同的制度，即平均道路长度与相关区域的尺度，总体上保持在较小和较大的值。在相当大的城市和农田地区，我们发现平均和总路面长度随领域面积呈线性增长，与以前的建议不同。尺度制度表明，简单和普遍的机制在全球范围内管理城市和农田道路扩张。我们的研究结果对基于土地利用变化的全球道路基础设施增长和维持城市扩张的规划政策产生了影响。
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。本系列在个人博客网络科学研究速递 进行同步更新，并提供RSS订阅。