- 社会网络分析文章的社会网络分析;
- 民主选举中的负面表现与不稳定;
- 社交媒体宏观社区紧急救援的自动识别与排序;
- 基于主体的集体智慧模型;
- 计算几何与美国最高法院;
- 一种算法随机的多角度图家族及其拓扑性质;
- 网络中心性度量的机器学习：教程和展望;
- 尽管数字时代出现了去本地化，但音乐抽样传统的文化传播模式仍然保持稳定;
- 图分割中图神经网络的平均场理论;
- 城市地理与当代印度城市尺度;
- 利用机器学习预测物理研究的演化;
社会网络分析文章的社会网络分析
原文标题： A Social Network Analysis of Articles on Social Network Analysis
地址： http://arxiv.org/abs/1810.09781
作者： Clement Lee, Darren J Wilkinson
摘要： 以网络方式分析关于社会网络的统计建模和推断的文章的集合。这些文章的参考文献用于构建引文网络数据集，其几乎是有向无环图，因为只能引用现有文章。然后将混合成员随机块模型应用于该数据集以对文章进行软聚类。从Gibbs采样器获得的结果让我们深入了解这些文章的影响和分类。
民主选举中的负面表现与不稳定
原文标题： Negative Representation and Instability in Democratic Elections
地址： http://arxiv.org/abs/1810.11489
作者： Alexander Siegenfeld, Yaneer Bar-Yam
摘要： 由于整个民主世界中政治极端主义和不稳定的令人不安的崛起，我们提出了民主选举中政治代表性质的新颖数学表征。我们定义了消极代表性的概念，其中选民意见的转变导致选举结果在相反方向上发生转变，以及选举不稳定，其中意见的任意小变化导致选举结果发生重大变化。在非常一般的条件下，我们证明不稳定的选举必然包含负面代表的意见。此外，增加选民的两极分化可以通过从稳定状态向不稳定状态的转变推动选举，类似于某些材料在其临界温度以下变为铁磁性的相变。在这个不稳定的政权中，很大一部分政治观点都是负面的。经验数据表明，美国总统选举在20世纪70年代经历了这种相变，并且此后变得越来越不稳定。
社交媒体宏观社区紧急救援的自动识别与排序
原文标题： Automatic Identification and Ranking of Emergency Aids in Social Media Macro Community
地址： http://arxiv.org/abs/1810.11498
作者： Bhaskar Gautam, Annappa Basava
摘要： 包括Twitter在内的在线社交微博平台越来越多地用于辅助灾难事件期间的救援行动。在可能是自然灾害甚至武装袭击的大多数灾难中，非政府组织寻找有关资源的重要信息，以支持受影响的人。尽管最近使用深度神经网络进行自然语言处理，短文本的检索和排序变得具有挑战性，因为许多会话和同情内容与关键信息合并。在本文中，我们解决了分类信息检索和大多数相关信息的排名问题，同时考虑了在这些事件期间出现的短文本和多语言语言。我们提出的模型基于嵌入向量的形成，借助于文本和统计预处理，最后，整个训练2,100,000个向量使用前馈神经网络对需求和可用性推文进行归一化。本文的另一个重要贡献在于基于前五个一般术语的新型加权排名密钥算法，以对与分类最相关的分类推文进行排名。最后，我们在尼泊尔地震数据集（包含短文本和多语言语言推文）上测试我们的模型，并在5,250,000个未标记的救灾推文嵌入向量上实现了6.81％的平均精确度。
基于主体的集体智慧模型
原文标题： Agent-based models of collective intelligence
地址： http://arxiv.org/abs/1810.11634
作者： Sandro M. Reia, André C. Amado, José F. Fontanari
摘要： 集体或团队情报体现在这样一个事实，即合作代理团队可以比那些代理孤立地工作更有效地解决问题。虽然合作通常是一种成功解决问题的策略，但目前尚不清楚它是否只是加快了寻找解决方案的时间，或者它是否定性地改变了搜索解决方案的统计签名。在这里，我们回顾并提供两个基于主体的分布式协作问题解决系统模型的见解，其任务是解决密码算术难题。第一个模型是模仿学习搜索，其中代理交换关于其部分解决方案的质量的信息，并模仿组中最成功的代理。这种情况预测在模仿过于频繁或群体过大的情况下表现非常差，这种现象类似于社会心理学的群体思维。第二个模型是黑板组织，其中代理人在公共黑板上阅读和发布提示。当对电路板上显示的信息量有严格限制时，这种头脑风暴场景表现最佳。与代理人孤立工作的情况相比，这两种合作方案都可以大大加快解决难题的时间。然而，搜索的统计签名与独立搜索的统计签名相同。
计算几何与美国最高法院
原文标题： Computational geometry and the U.S. Supreme Court
地址： http://arxiv.org/abs/1810.11704
作者： Noah Giansiracusa, Cameron Ricciardi
摘要： 我们使用美国最高法院作为讨论三种不同空间投票偏好模型的启发性背景：广泛使用的单峰化偏好的一个实例，以及两个更新颖的模型，其中投票结果具有强度一个位置。我们从正式的公理角度介绍每个模型，简要讨论每个模型在司法行为方面的实际动机，证明与每个模型兼容的投票联盟之间的数学关系，然后通过提供计算工具来研究二维设置。模型，并通过最高法院的司法投票数据进行探索。
一种算法随机的多角度图家族及其拓扑性质
原文标题： An algorithmically random family of MultiAspect Graphs and its topological properties
地址： http://arxiv.org/abs/1810.11719
作者： Felipe S. Abrahão, Klaus Wehmuth, Artur Ziviani
摘要： 本文介绍了图的广义表示中不可压缩性和随机性的理论研究及其对网络拓扑性质的影响。我们将先前关于普通算法随机经典图的研究扩展到普通和前缀算法随机多角度图（MAG）。首先，我们证明存在无限递归标记的无限嵌套MAG系列（或者，作为特定情况，嵌套经典图），其行为类似于（并由其确定）算法随机实数。然后，我们研究了它们的一些重要的拓扑性质，特别是顶点度，连通性，直径和刚度。
网络中心性度量的机器学习：教程和展望
原文标题： Machine Learning in Network Centrality Measures: Tutorial and Outlook
地址： http://arxiv.org/abs/1810.11760
作者： Felipe Grando, Lisando Z. Granville, Luis C. Lamb
摘要： 复杂的网络无处不在于几个计算机科学领域。中心性措施是揭示复杂网络重要元素的重要分析机制。但是，这些指标具有很高的计算成本和要求，阻碍了它们在大型真实网络中的应用。在本教程中，我们将解释神经网络学习算法的使用如何在任意大小的复杂网络中呈现度量的应用。此外，本教程还介绍了如何识别神经网络训练和学习任务的最佳配置，此外还提供了生成和获取训练数据的简便方法。我们通过一般方法，使用适用于任何应用的复杂网络模型来实现。我们表明，由神经网络生成的回归模型成功地近似了度量值，因此在实际应用中是一种强大，有效的替代方案。该方法和所提出的机器学习模型相对于其他近似算法仅使用一小部分时间，这在复杂网络应用中是至关重要的。
尽管数字时代出现了去本地化，但音乐抽样传统的文化传播模式仍然保持稳定
原文标题： Cultural transmission modes of music sampling traditions remain stable despite delocalization in the digital age
地址： http://arxiv.org/abs/1810.11900
作者： Mason Youngblood
摘要： 音乐抽样是嘻哈和电子制作人的常见做法，在特定子类的发展中发挥了关键作用。艺术家优先采样鼓段，之前的研究表明这些可能是文化传播的。随着数字采样技术和社交媒体的出现，文化传播的模式可能已经发生变化，音乐社区可能已经与地理分离。本研究的目的是确定是否通过音乐协作网络在文化上传播鼓音，并确定推动这些网络演变的因素。使用基于网络的扩散分析，我们通过艺术家之间的合作发现了鼓段文化传播的有力证据，并确定了几个偏向传播的人口统计变量。此外，使用网络演化方法，我们发现证据表明协作网络的结构在2000年之后不再受到地理邻近性的偏见，并且性别差异在同一时期已经放松。尽管互联网对社区进行了非本地化，但协作仍然是音乐抽样传统的关键传播模式。这项研究的结果提供了有价值的见解，了解人口偏差如何影响复杂网络中的文化传播，以及这些网络的演变在数字时代如何发生变化。
图分割中图神经网络的平均场理论
原文标题： Mean-field theory of graph neural networks in graph partitioning
地址： http://arxiv.org/abs/1810.11908
作者： Tatsuro Kawamoto, Masashi Tsubaki, Tomoyuki Obuchi
摘要： 给出了图神经网络（GNN）的理论性能分析。对于分类任务，神经网络方法在灵活性方面具有优势，可以以数据驱动的方式使用，而贝叶斯推理需要假设特定模型。一个基本问题是，除了这种灵活性之外，GNN是否具有高精度。此外，所实现的性能是否主要是反向传播或架构本身的结果是一个相当令人感兴趣的问题。为了更好地洞察这些问题，为图分区问题开发了最小GNN架构的均值场理论。这证明了与数值实验的良好一致性。
城市地理与当代印度城市尺度
原文标题： Urban Geography and Scaling of Contemporary Indian Cities
地址： http://arxiv.org/abs/1810.12004
作者： Anand Sahasranaman, Luís M. A. Bettencourt
摘要： 本文试图利用一系列不同指标的尺度和地理分析，对当代印度城市的综合特征进行首次综合分析。我们使用2011年人口普查中的印度城市群数据和其他一些来源的数据来描述城市人口密度，基础设施，城市服务，经济绩效，犯罪和创新的模式。许多结果符合城市理论的预期以及高收入和中等收入国家其他城市系统中类似数量的行为。印度是一个大陆尺度，快速发展的城市系统，因此也有一些有趣的例外和惊喜与特定数量和强烈的区域变化模式有关。我们详细描述了犯罪和创新的这些模式，并将它们与特定印度背景下的决定因素的现有文献联系起来。城市层面的数据缺乏以及印度功能城市缺乏官方定义，对目前的任何分析都提出了许多限制和警告。我们讨论了这些缺点，并阐述了与印度城市和城市发展相关的系统统计数据收集的挑战。
利用机器学习预测物理研究的演化
原文标题： Using Machine Learning to Predict the Evolution of Physics Research
地址： http://arxiv.org/abs/1810.12116
作者： Wenyuan Liu, Stanisław Saganowski, Przemysław Kazienko, Siew Ann Cheong
摘要： 波普尔和库恩所概述的科学进步在很大程度上是定性的，但随着文献计量数据的出现，开发科学进步的定量图是可能的，也是可取的。此外，将有限的资源分配给具有增长潜力的研究课题也很重要，以加速从科学突破到技术创新的过程。在本文中，我们通过分析1981年至2010年的APS出版物数据集来解决定量知识演化的问题。我们建立了书目耦合和共引网络，使用Louvain方法检测每年的局部聚类（TC），测量连续几年中TC的相似性，并将结果可视化为冲积图。具有描述给定TC的预测特征及其在明年的已知演化，我们可以训练机器学习模型以预测TC的未来变化，即它们的持续，溶解，合并和分裂。我们发现某些期刊的论文数量，程度，亲密度和中介性是最具预测性的特征。此外，合并事件的介数中心性显著增加，而分裂事件的介数中心性显著下降。我们的结果代表了从对科学科学（SciSci）的描述性理解到最终规定性的第一步。
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。