- 电网系统吸引盆地的多稳态性和变化;
- 一种新的稳定的经济复杂算法;
- 基于学习偏好和可靠性的众包任务推荐;
- 宏观经济模型的最大熵网络重构;
- DeepLink：一种基于深度学习的新型链路预测框架;
- 具有非均匀度量的有限网络中的时间连通性;
电网系统吸引盆地的多稳态性和变化
原文标题： Multistability and Variations in Basin of Attraction in Power-grid Systems
地址： http://arxiv.org/abs/1807.09420
作者： Heetae Kim, Sang Hoon Lee, Jörn Davidsen, Seung-Woo Son
摘要： 电网通过供电维持现代社会，因此它们的稳定性是我们文明的关键因素。电网的动态稳定性通常通过其节点恢复到其承载的交流电流的相位同步的概率来量化，以响应外部扰动。直观地，随着节点之间的耦合强度增加，电网中节点的稳定性应该变得更加稳健。然而，在许多简单的图结构上，我们发现了一个反直觉的耦合强度值范围，其中同步稳定性随着耦合强度的增加而突然下降。由于电网设计用于满足本地和远程电力需求，因此用于局部电力传输的这种简单的图结构或图实际上确实是相关的。我们证明观察到的非单调行为是多稳态转换的结果，它与\ emph {非同步}状态的稳定性变化有关。因此，我们的研究结果表明，必须全面了解多稳态的变化，以防止电网构建模块出现意外的灾难性不稳定因素。
一种新的稳定的经济复杂算法
原文标题： A new and stable algorithm for economic complexity
地址： http://arxiv.org/abs/1807.10276
作者： Vito D. P. Servedio, Paolo Buttà, Dario Mazzilli, Andrea Tacchella, Luciano Pietronero
摘要： 我们提出了一种非线性非齐次适应度 - 复杂度算法，其中非齐次项的存在保证了收敛性和稳定性。在适当地重新调整相关量之后，非齐次项最终被设置为零，使得该新方法是无参数的。这种新算法再现了Tacchella等人提出的原始算法的发现。 [1]，并允许在实际二值化RCA矩阵的情况下的近似解析解。该解决方案公开了与二部图的网络理论的深度连接。我们定义了新的“国家净效率”数量，量化了一个国家如何有效投资能够产生创新的高质量产品的能力。最后，我们通过分析证明了算法的局部收敛性。
基于学习偏好和可靠性的众包任务推荐
原文标题： Task Recommendation in Crowdsourcing Based on Learning Preferences and Reliabilities
地址： http://arxiv.org/abs/1807.10444
作者： Qiyu Kang, Wee Peng Tay
摘要： 参与众包平台的工人可以拥有广泛的能力和兴趣。众包中的一个重要问题是任务推荐问题，其中向该工作人员推荐最符合特定工作人员偏好和可靠性的任务。任务推荐方案分配更可能被更可能完成它的工作人员接受的任务，从而为任务请求者提供更好的性能。如果没有关于工人的先前信息，他的偏好和可靠性需要随着时间的推移而学习。在本文中，我们提出了一个多臂强盗（MAB）框架，以了解工人的偏好和他对不同类别任务的可靠性。然而，与传统的MAB问题不同，工人完成任务的回报是不可观察的。因此，我们在任务推荐程序中包括使用黄金任务（即，其解决方案已知\ emph {先验}并且不产生任何奖励的任务）。我们的模型可以被视为MAB的一个新变体，其中随机奖励只能在使用黄金任务的那些时间步骤中观察到，并且估计向工人推荐任务的预期奖励的准确性取决于数量使用的黄金任务。我们证明最优遗憾是O（\ sqrt {n}），其中n是推荐给工人的任务数。我们开发了三个任务推荐策略来确定不同任务类别的黄金任务数量，并显示它们是最优的订单。模拟验证了我们方法的效率。
宏观经济模型的最大熵网络重构
原文标题： A maximum entropy network reconstruction of macroeconomic models
地址： http://arxiv.org/abs/1807.10464
作者： Aurélien Hazan (LISSI)
摘要： 在本文中，给定一组行为方程，解决了在宏观经济模型中从部分经验数据重构代理之间联系模式的问题。这个系统性的观点将重点放在分配和网络效应上，而不是时间依赖性上。利用复杂网络理论，我们比较了几种模型来重建不同类型货币交易的拓扑和货币流量，同时强加了一系列与国民账户相关的约束，以及经验网络稀疏性。将重建网络的一些属性与其经验对应物进行比较。
DeepLink：一种基于深度学习的新型链路预测框架
原文标题： DeepLink: A Novel Link Prediction Framework based on Deep Learning
地址： http://arxiv.org/abs/1807.10494
作者： Mohammad Mehdi Keikha, Maseud Rahgozar, Masoud Asadpour
摘要： 最近，链路预测引起了计算机科学，生物信息学和经济学等各学科的更多关注。在这个问题中，基于诸如网络拓扑，简档信息和用户生成的内容之类的大量信息发现节点之间的未知链路。大多数先前的研究人员都专注于网络的结构特征。虽然最近的研究表明上下文信息可以改变网络拓扑。虽然有许多有价值的研究结合了结构和内容信息，但是由于特征工程，它们面临着可扩展性问题。因为，大多数提取的特征是通过监督或半监督算法获得的。此外，现有特征不够通用，无法在具有异构结构的不同网络上表现出良好的性能。此外，大多数以前的研究都是针对无向和非加权网络提出的。在本文中，基于深度学习技术，提出了一种名为“DeepLink”的新型链路预测框架。与先前无法自动提取链路预测的最佳特征的研究相比，深度学习减少了手动特征工程。在该框架中，使用节点的结构和内容信息。框架可以使用不同的结构特征向量，其通过各种链路预测方法来准备。它考虑在结构特征学习期间在网络中呈现的所有接近顺序。我们已经评估了DeepLink在两个真实社会网络数据集上的性能，包括Telegram和irBlogs。在这两个数据集上，所提出的框架优于链路预测问题的几种结构和混合方法。
具有非均匀度量的有限网络中的时间连通性
原文标题： Temporal connectivity in finite networks with non-uniform measures
地址： http://arxiv.org/abs/1807.10617
作者： Pete Pratt, Carl P. Dettmann, Woon Hau Chin
摘要： 软随机几何图（SRGG）已广泛应用于各种模型，包括无线传感器，通信，社交和神经网络。通过在一些空间中随机放置节点并使用系统特定的连接函数概率地进行成对链接来构造SRGG，并且通常随距离衰减。在本文中，我们将重点放在SRGG应用于无线通信网络中，其中信息以多跳方式中继，尽管分析更通用，并且可以通过使用不同的节点分布和/或连接功能在其他地方应用。我们采用一般的非均匀密度，可以模拟不同移动模型的静态分布，有趣的情况是当密度沿边界变为零时。这些非均匀网络的全局连通性可能由高度隔离的节点决定，其中隔离可以由空间分布或局部几何（边界）引起。我们将分析扩展到时空网络，其中我们修复了点的潜在非均匀分布，并且动态是由链路集中的时间变化引起的，并且探索角落附近的节点在时间上被隔离的概率T 。这项工作可以深入了解非均匀性（由移动性引起）和边界如何影响时空网络的连通性特征。我们提供了一种简单的方法来近似这些概率，用于各种不同的连接函数，并根据模拟进行验证。数值上显示边界节点以非均匀测量来支配这些有限网络的连通性。
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。