- 使用子图计数的网络样本的统计推断;
- 他们不想要什么：对英国脱欧第一轮指示性投票的分析;
- 理解公共交通网络中数据约简的有效性;
- 共享乘车匹配算法会产生收入不平等;
- Airbnb、酒店和食品行业的饱和：多尺度GWR方法;
- 自动清除在线约会欺诈;
使用子图计数的网络样本的统计推断
原文标题： Statistical inference for network samples using subgraph counts
地址： http://arxiv.org/abs/1701.00505
作者： P-A. G. Maugis, Carey E. Priebe, S. C. Olhede, P. J. Wolfe
摘要： 我们认为网络是一种观察，并且观察到的网络的集合形成了一个样本。在此设置中，我们提供了测试网络样本中的所有观察是否都是从指定模型中提取的方法。我们通过在图模型的零点下导出平均子图计数的联合渐近性质来实现这一点，因为观察到的网络数量增加但每个网络中的节点数量仍然是有限的。在这样做时，我们不要求每个观察到的网络包含相同数量的节点，或者从同一分布中提取。我们的结果产生了子图计数的联合置信区域，因此测试网络样本中的观察是否来自指定分布，指定模型或来自与另一网络样本相同的模型的方法。我们提出模拟实验和一个关于脑网络样本的说明性例子，我们发现高度创造性的个体大脑表现出明显更短的周期。
他们不想要什么：对英国脱欧第一轮指示性投票的分析
原文标题： What They Don't Want: An Analysis of Brexit's First Round of Indicative Votes
地址： http://arxiv.org/abs/1905.12109
作者： Thomas Sayer
摘要： 自2016年全民公决结果以来，英国脱欧一直是一场不可预测的民主冒险，其结局仍不明朗。今年，在3月的最后几天，议员们从政府手中夺取了对命令文件的控制权，并举行了自己的指示性投票，试图打破僵局。在本文中，我们分析了这一不寻常的主要选票的结果。我们根据他们提供的“多少英国退欧”表达了各种动议，并采用蒙特卡罗试图从数据中确定这一点。我们找到了能够重现我们对辩论的直观理解的解决方案。最后，我们使用三种不同的过程为各种Brexit场景构建假设的序数选票。结果表明政府会更加成功地采取更为温和的立场，我们会对此进行量化。此外，还有一些关于战术投票如何在这种情况下表现出来的讨论。
理解公共交通网络中数据约简的有效性
原文标题： Understanding the Effectiveness of Data Reduction in Public Transportation Networks
地址： http://arxiv.org/abs/1905.12477
作者： Thomas Bläsius, Philipp Fischbeck, Tobias Friedrich, Martin Schirneck
摘要： 给定站点和连接的公共交通网络，我们希望找到最小的站点子集，使得每个连接都通过选定的站点。虽然这个问题一般都是NP难的，但实际的实例几乎完全由一组简单的约简规则解决。为了解释这种行为，我们将交通网络视为击中集合实例并识别两个特征属性，局部性和异质性。然后，我们设计一个随机模型来生成具有可调属性的命中集实例。虽然异质性确实影响了约简规则的有效性，但生成的实例表明局部性是重要因素。除此之外，我们证明了约简规则的有效性与底层图结构无关。最后，我们证明了高位置在其他领域的实例中也很普遍，有助于快速计算最小命中集。
共享乘车匹配算法会产生收入不平等
原文标题： Ride-share matching algorithms generate income inequality
地址： http://arxiv.org/abs/1905.12535
作者： Eszter Bokányi, Anikó Hannák
摘要： 尽管Uber，Lyft或Foodora等在线共享经济平台有可能使劳动力市场民主化，但这些服务往往被指责助长了不公平的工作条件和低工资。研究人员和监管机构已经认识到这些问题，但这些社会技术系统的规模和复杂性加上缺乏算法实践的透明度，使得难以理解系统动力学和大规模行为。本文结合复杂系统和算法公平的方法，研究算法设计决策对乘车市场中工资不平等的影响。我们首先提出一个计算模型，其中包括有关驾驶员和乘客位置，交通，城市布局以及与驾驶员匹配请求的算法的条件。我们使用来自经验数据的参数校准模型。我们的模拟显示，系统参数的微小变化可能导致驾驶员收入分配的巨大偏差，从而导致高度不可预测的系统，该系统通常将相当不同的收入分配给同样执行的驾驶员。正如最近关于算法系统中反馈回路的研究所表明的那样，这些初始收入差异可能导致强制性和长期工资差距。
Airbnb、酒店和食品行业的饱和：多尺度GWR方法
原文标题： Airbnb, hotels, and saturation of the food industry: A multi-scale GWR approach
地址： http://arxiv.org/abs/1905.12543
作者： Zahratu Shabrina, Boyana Buyuklieva, Matthew Ng Kok Ming
摘要： 本文评估了食品行业与当地临时住宿差异（TA，包括酒店和短期租赁）之间的关系。目的是捕捉当地统计数据的差异，并精确定位伦敦的食品和饮料（F＆B）存在与TA高度相关的区域。我们使用OLS解释现象，并将结果与本地模型 - 地理加权回归（GWR）和多尺度GWR（Fotheringham等，2017）进行比较，允许使用不同的最佳带宽，而不是假设关系在同一时间变化空间尺度。给出了比较结果，结果表明GWR模型比普通最小二乘（OLS）显著改善，将R平方从0.28增加到0.75。 MGWR进一步改进模型估计，将R平方增加到0.77，表明关系发生在不同的空间尺度。最后，作为对餐饮业的估计，酒店似乎在高度集中的商业和交通联系功能方面表现更好，而Airbnb似乎在靠近主流旅游景点的高度住宅区表现更好。总的来说，本文描述了MGWR方法在地方是空间分析过程的一个重要方面的情况下的使用。
自动清除在线约会欺诈
原文标题： Automatically Dismantling Online Dating Fraud
地址： http://arxiv.org/abs/1905.12593
作者： Guillermo Suarez-Tangil, Matthew Edwards, Claudia Peersman, Gianluca Stringhini, Awais Rashid, Monica Whitty
摘要： 在线约会诈骗是西方大众营销欺诈的一种流行形式，但很少有研究涉及技术或数据驱动的对这一问题的反应。在这种类型的骗局中，欺诈者制作虚假的个人资料并手动与受害者互动。由于这种类型的欺诈的特征以及约会网站如何运作，传统的检测方法（例如，在垃圾邮件过滤中使用的那些）是无效的。在本文中，我们展示了对这种欺诈形式中使用的在线约会配置文件原型的多管齐下的调查结果，包括他们对人口统计，个人资料描述和图像的使用，揭示了诈骗者所采用的策略。呼吁受害者和受害者自己的特征。此外，为了应对约会欺诈造成的严重财务和心理伤害，我们开发了一个系统来检测在线约会平台上的浪漫诈骗者。我们的工作提出了第一个自动检测此欺诈的系统。我们的目标是提供一个早期检测系统，以阻止浪漫诈骗者创建欺诈性的个人资料或在他们与潜在的受害者接触之前。之前的研究表明，浪漫骗局的受害者在理想化的浪漫信仰的尺度上得分很高。我们结合了一系列结构化，非结构化和深度学习的功能来捕捉这些信念。之前的工作没有充分分析这些浪漫概念是否会引入可用于构建检测系统的特征。我们的整体机器学习方法对于省略轮廓细节非常鲁棒，并且具有高精度（97％）。该系统可以为约会网站提供商和个人用户开发自动化工具。
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。