- 识别假新闻页面的主题不可知方法;
- 网络表示学习：巩固和更新当前方向;
- 企业网络面对横向移动攻击的抗性：一种图论方法;
- 具有幂律发生率的两价疫苗流行病模型;
- 网络插值;
- 预测城市扩散事件：利用移动数据深度生存分析的两阶段框架;
识别假新闻页面的主题不可知方法
原文标题： A Topic-Agnostic Approach for Identifying Fake News Pages
地址： http://arxiv.org/abs/1905.00957
作者： Sonia Castelo, Thais Almeida, Anas Elghafari, Aécio Santos, Kien Pham, Eduardo Nakamura, Juliana Freire
摘要： 假新闻和错误信息越来越多地被用来操纵民意并影响政治进程。为了更好地理解假新闻，如何传播它们以及如何抵消它们的影响，有必要首先识别它们。最近，已经提出了基于其内容自动将文章分类为伪造的方法。这些方法的一个重要挑战来自于新闻的动态性质：随着新的政治事件被覆盖，主题和话语不断变化，因此，使用在给定时间发表的文章内容训练的分类器可能在将来变得无效。为了应对这一挑战，我们提出了一种主题不可知（TAG）分类策略，该策略使用语言和网络标记功能来识别虚假新闻页面。我们使用多个数据集报告实验结果，这些数据集表明我们的方法在识别假新闻方面具有高准确性，即使主题随着时间的推移而演变。
网络表示学习：巩固和更新当前方向
原文标题： Network Representation Learning: Consolidation and Renewed Bearing
地址： http://arxiv.org/abs/1905.00987
作者： Saket Gurukar, Priyesh Vijayan, Aakash Srinivasan, Goonmeet Bajaj, Chen Cai, Moniba Keymanesh, Saravana Kumar, Pranav Maneriker, Anasua Mitra, Vedang Patel, Balaraman Ravindran, Srinivasan Parthasarathy
摘要： 图是许多问题的自然抽象，其中节点表示实体，而边表示实体之间的关系。在过去十年中出现的一个重要研究领域是使用图作为非线性降维的工具，其方式类似于先前基于流形学习的努力，用于下游数据库处理，机器学习和可视化。在这个系统而全面的实验调查中，我们对几个流行的网络表示学习方法进行了基准测试，这两种方法在两个关键任我们检查了12个无监督嵌入方法在15个数据集上的性能。据我们所知，我们的研究规模 - 无论是方法数量还是数据集数量 - 都是迄今为止规模最大的。我们的结果揭示了有关该领域迄今为止工作的几个关键见解。首先，我们发现某些基线方法（任务特定的启发式方法，以及经典的流形方法）经常被忽略或以前的努力不予考虑，如果它们被适当调整，它们可以在某些类型的数据集上竞争。其次，我们发现最近基于矩阵分解的方法从定性的角度提供了比替代方法（例如，基于随机游走的方法）更小但相对一致的优点。具体来说，我们发现MNMF是一种社区保留嵌入方法，是链路预测任务中最具竞争力的方法。而NetMF是节点分类最具竞争力的基准。第三，没有一种方法在节点分类和链路预测任务上完全优于其他嵌入方法。我们还提供了几个深入分析，揭示了某些算法表现良好的设置（例如，邻域上下文对性能的作用） - 指导最终用户。
企业网络面对横向移动攻击的抗性：一种图论方法
原文标题： Enterprise Cyber Resiliency Against Lateral Movement: A Graph Theoretic Approach
地址： http://arxiv.org/abs/1905.01002
作者： Pin-Yu Chen, Sutanay Choudhury, Luke Rodriguez, Alfred Hero, Indrajit Ray
摘要： 横向移动攻击是对企业安全的严重威胁。在这些攻击中，攻击者会破坏受信任的用户帐户，以便立即进入企业网络并使用它来攻击其他受信任的用户，从而越来越多地获得越来越高的权限。这种横向攻击非常难以建模，因为用户在攻击中扮演着不知不觉的角色，由于其低而慢的性质，甚至更难以发现和预防。在本文中，提出了一个理论框架，用于建模横向移动攻击，并提出一种方法来设计抵御此类攻击的弹性网络系统。该企业被建模为捕获用户，机器和应用程序之间的交互的三方图，并且提出了一组程序以通过增加横向移动的成本来硬化网络。建立了对系统弹性的强有力的理论保证，并通过实验验证了大型企业网络。
具有幂律发生率的两价疫苗流行病模型
原文标题： A Two-Dose Vaccine Epidemic Model with Power Incidence Rate
地址： http://arxiv.org/abs/1905.01158
作者： Gabriel O. Fosu, Emmanuel K. Mintah
摘要： 研究了具有功率关系发生率 beta I ^ p S ^ q）的SIVR模型的动态。假设个体在接受第一剂疫苗后可能易感，因此需要第二剂才能获得永久免疫力。批判性地提出了无病平衡和地方病平衡的稳态条件。进行数值模拟以确定指数参数（p; q）对感染的影响。
网络插值
原文标题： Network interpolation
地址： http://arxiv.org/abs/1905.01253
作者： Thomas Reeves, Anil Damle, Austin R. Benson
摘要： 给定来自时间网络的一组快照，我们开发，分析和实验验证所谓的网络插值方案。我们的方法允许我们构建一个合理的图序列，在任何两个给定的图之间进行转换。重要的是，我们的模型很好地用马尔可夫链表征，我们利用这种表示来分析估计击中时间（到目标图的预定距离）和模型的长期行为。这些观察结果还可以为我们模型中的速率参数提供解释和证明。最后，通过混合的合成和实际数据实验，我们证明了我们的模型在快照之间建立了合理的轨迹，通过各种图统计来衡量。在这些实验中，我们发现我们的插值方案优于常见的网络增长模型，例如优先附着和三元闭包。
预测城市扩散事件：利用移动数据深度生存分析的两阶段框架
原文标题： Predicting Urban Dispersal Events: A Two-Stage Framework through Deep Survival Analysis on Mobility Data
地址： http://arxiv.org/abs/1905.01281
作者： Amin Vahedian, Xun Zhou, Ling Tong, W. Nick Street, Ynahua Li
摘要： 城市扩散事件是异常多的人在短时间内离开同一地区的过程。早期预测疏散事件对于减轻拥堵和安全风险以及为出租车和乘车共享车队做出更好的调度决策非常重要。现有工作主要侧重于通过从历史数据中学习模式来预测不久的将来的出租车需求。然而，它们在异常情况下失败，因为具有异常高需求的分散事件是非重复性的并且违反了诸如需求平滑随时间变化的共同假设。相反，在本文中，我们认为分散事件遵循过去复杂的旅行模式和其他相关特征，可用于预测此类事件。因此，我们将分散事件预测问题制定为生存分析问题。我们提出了一个两阶段框架（DILSA），其中结合生存分析的深度学习模型被开发以预测扩散事件的概率及其需求量。我们从2014 - 2016年开始对纽约黄色出租车数据集进行广泛的案例研究和实验。结果显示，DILSA可以预测接下来5个小时内的事件，F1评分为0.7，平均时间误差为18分钟。它比出租车需求预测的最先进的深度学习方法好几个数量级。
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。