- 电阻扰动距离：动态网络分析的度量标准;
- 代谢网络的通量依赖图;
- 使用来自单圈的汽车传感器数据的驾驶员识别;
- 高斯测试通道前景理论的战略沟通;
- 广义最小二乘法可以克服受访者驱动抽样的临界阈值;
电阻扰动距离：动态网络分析的度量标准
地址： http://arxiv.org/abs/1605.01091
作者： Nathan D Monnig, Francois G Meyer
摘要： 为了量化时变网络的根本演化，并检测出异常行为，需要一个时间差异的概念，捕获两个连续时刻之间的重大组织变化。在这项工作中，我们提出了一系列的距离，可以调整以量化不同尺度的图上发生的结构变化：从每个顶点的邻居形成的局部尺度到量化集群之间的连接的最大尺度，或社区。我们的方法导致了真实距离的定义，而不仅仅是相似性的概念。我们提出快速（边数线性）随机算法，可以快速计算图度量的近似值。第三个贡献涉及一种快速算法，通过最佳地降低基尔霍夫指数来提高网络的鲁棒性。最后，我们对合成图和实际网络进行了几次实验，并且我们证明我们可以检测到与控制动态网络演化的隐藏变量直接相关的配置变化。
代谢网络的通量依赖图
地址： http://arxiv.org/abs/1605.01639
作者： Mariano Beguerisse-Díaz, Gabriel Bosque, Diego Oyarzún, Jesús Picó, Mauricio Barahona
摘要： 细胞适应其代谢通量以响应环境变化。我们提出了一个系统的基于流量的框架来构建图表来表示生物体的代谢网络。我们的图表通过代表代谢物从源到目标反应的流动的链接编码代谢通量的方向性。该方法可以在缺乏特定生物学背景的情况下通过概率模拟流量来应用，或者可以通过引入从基于约束的建模（如通量平衡分析）计算出的通量分布来适应不同的环境条件。我们说明了我们对大肠杆菌中心碳代谢的方法，以及人类肝细胞代谢模型的较大变化，并研究了各种环境条件和遗传扰动下的图表。结果显示代谢图的拓扑和社区结构的剧烈变化，其捕获了在每个生长和遗传条件下代谢通量的重新路由。通过整合来自网络科学的基于约束的模型和工具，我们的框架允许询问上下文特异性代谢反应超出固定的标准途径描述。
使用来自单圈的汽车传感器数据的驾驶员识别
地址： http://arxiv.org/abs/1708.04636
作者： David Hallac, Abhijit Sharang, Rainer Stahlmann, Andreas Lamprecht, Markus Huber, Martin Roehder, Rok Sosic, Jure Leskovec
摘要： 随着汽车电子产品的不断发展，汽车越来越依赖于传感器来执行日常驾驶操作。这些传感器无处不在，有助于汽车导航，减少事故，并提供舒适的骑行。但是，他们也可以用来了解司机本身。在本文中，我们提出一种方法来从一个转弯收集的传感器数据中预测一组给定的个体的驾驶员身份。我们在时间序列分类方面提出了这个问题，其中我们的数据集在一圈内包含传感器读数，由多个驱动程序重复几次。我们建立一个分类器，以便在每个人的驾驶风格中找到独特的模式，即使在这么短的路段上也可以在数据中看到。为了测试我们的方法，我们分析了奥迪公司（AUDI AG）和奥迪电子创业公司（Audi Electronics Venture）收集的一个新的数据集，其中一组测试车辆装有汽车数据记录器，将所有传感器读数存储在实际道路上。我们显示，转弯特别适用于检测驱动程序的变化，特别是与直线相比时。然后，我们重点关注数据集中的12个最常见的转弯，其中包括农村，城市，高速公路上坡等，获得准确的识别结果，并学习有关各种设置中驾驶员行为的有用见解。
高斯测试通道前景理论的战略沟通
地址： http://arxiv.org/abs/1708.04956
作者： Venkata Sriram Siddhardh Nadendla, Emrah Akyol, Cedric Langbort, Tamer Başar
摘要： 在本文中，我们在一个简单的高斯测试通道中模拟了Stackelberg博弈，人类发射器（领导者）将源消息传达给人类接收器（跟随者）。我们使用为连续决策空间提出的前景理论模型来模拟人类决策。假设值函数是发射机和接收机的平方失真，我们分析发射机和接收机的权重函数对最优通信策略的影响，即发射机的编码和接收机的解码， Stackelberg感觉我们表明，Stackelberg意义上的行为代理的最佳策略与为无偏见的代理设计的策略相同。同时，我们还表明，发射机和接收机的前景理论畸变均小于预期的失真，从而使得行为代理人比无偏见的代理更有竞争力。因此，认知偏差的存在减少了对发射功率的需要，以便在发射机和接收机两者实现给定的失真。
广义最小二乘法可以克服受访者驱动抽样的临界阈值
地址： http://arxiv.org/abs/1708.04999
作者： Sebastien Roch, Karl Rohe
摘要： 为了对边化和/或难以达到的人群进行抽样，受访者驱动的抽样（RDS）和类似技术通过同行转介到达他们的参与者。在RDS的Markov模型下，以前的研究表明，如果典型的参与者引用过多的联系人，那么常用估计的方差不会像$ O（n ^ { - 1}）$那样衰减，其中$ n $是样本尺寸。这意味着置信区间会比典型的抽样设计要宽得多。在这里我们显示广义最小二乘法（GLS）可以有效地减少RDS估计的方差。特别地，理论分析表明GLS估计器的方差为$ O（n ^ { - 1}）$。然后我们得到两类可行的GLS估计量。第一类基于针对基础社交网络的度校正随机块模型。第二类是基于二等级模型。在两个模型类中可能是独立的兴趣，理论结果表明可以从采样观测值估计群体网络的谱特性。经验社会网络的模拟表明，可行的GLS（fGLS）估计器可以具有非常小的误差，很少增加误差。诊断图有助于确定fGLS将在何处进行估计。即使是从错误的模式建立起来，以及优先招聘时，fGLS估计仍然会优于标准估计。
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。