- 信息论，可预测性和复杂生命的涌现;
- 高估了太阳能缓解气候变化的潜力;
- 货币和财政政策的普遍经济动态的初步步骤;
- 智利媒体权力结构;
- 在社会图像和文本中使用语言学输入的神经网络模型捕获Clickbaits;
信息论，可预测性和复杂生命的涌现
原文标题： Information theory, predictability, and the emergence of complex life
地址： http://arxiv.org/abs/1701.02389
作者： Luís F Seoane, Ricard Solé
摘要： 尽管生活方式能够快速复制的简单生活方式具有明显的优势，但生活系统在应对环境不确定性的潜力方面已经实现了不同程度的认知复杂性。针对检测环境线索和以适应方式响应的不可避免的成本，我们推测预测环境的潜力可以克服与维护昂贵，复杂结构相关的费用。我们提出了基于信息论和选择的最小形式模型，其中代理的连续代数被映射到编码消息的发送器和接收器中。我们的代理商正在猜测机器，他们处理不同复杂环境的能力决定了维持更复杂代理商的条件。
高估了太阳能缓解气候变化的潜力
原文标题： The overestimated potential of solar energy to mitigate climate change
地址： http://arxiv.org/abs/1710.05957
作者： Marcos Paulo Belançon
摘要： 太阳能的许多方面和解决能源转型的政策都被忽视了。即使地球充满太阳能，但我们的星球并没有足够的资源将能源转化为电力。这是许多其他人之间的一个案例，其中强烈乐观的偏见正在遮蔽房间里的白色大象。
货币和财政政策的普遍经济动态的初步步骤
原文标题： Preliminary steps toward a universal economic dynamics for monetary and fiscal policy
地址： http://arxiv.org/abs/1710.06285
作者： Yaneer Bar-Yam, Jean Langlois-Meurinne, Mari Kawakatsu, Rodolfo Garcia
摘要： 我们考虑经济活动与干预之间的关系，包括货币和财政政策，使用通用的动态框架。中央银行政策是为增长而设计的，而没有过度通货然而，失业，投资，消费和通货膨胀是相互关联的。了解动态对于评估政策的影响至关重要，特别是在金融危机之后。在这里，我们制定了一个关于货币和经济动态的研究计划以及执行的初步步骤。我们使用反应理论的原则来推断政策的影响。我们发现，目前考虑货币供应总量的方法不足以规范经济增长。虽然可以实现一定程度的控制，但优化增长还需要财政政策平衡两个主流环流之间的货币注入，消费和工资循环以及投资回报循环。余额来自政府税收，应享权利，补贴政策，公司政策以及货币政策的综合。我们从经验上可以看出，1980年两国政府之间的转型发生在投资回报循环过剩的情况下，即向消费和工资循环供过于求。这种不平衡体现在消费者和投资者的储蓄和借款以及通货膨胀中。后者增加到1980年，随后下降，导致与金融危机无关的零利率。三次衰退和金融危机是这一动力的一部分。优化增长现在需要转移平衡。我们的分析支持倡导更多的收入和/或政府支持，使穷人使用较大部分的收入用于消费。由于需求增长，这促进了投资。否则，投资机会有限，资本投入不足，无助于增长。
智利媒体权力结构
原文标题： Power Structure in Chilean News Media
地址： http://arxiv.org/abs/1710.06347
作者： Jorge Bahamonde, Johan Bollen, Erick Elejalde, Leo Ferres, Barbara Poblete
摘要： 即使民主国家也有最自由的新闻自由斗争，以保持新闻报道的多样性。合并和市场力量可能只会使少数主要参与者控制新闻周期。编辑政策可能受到公司所有权关系的偏见，缩小新闻报道和重点。在更大程度上，这个问题也适用于社会媒体新闻发布，因为它受到同样的社会经济驱动因素的影响。为了研究巩固和所有权对新闻多样性的影响，我们在所有权记录和社交媒体数据的基础上模拟智利覆盖的多样性。我们根据自己的所有权和所涉及的主题，创建新闻媒体的相似网络。然后，我们检查所有权网络拓扑与内容相似性之间的关系，以表征所有权如何影响新闻报道。网络分析显示，智利媒体在所有权以及涵盖的主题方面都高度集中。我们的方法可以用来确定哪些网点和所有者对新闻报道影响最大。
在社会图像和文本中使用语言学输入的神经网络模型捕获Clickbaits
原文标题： Fishing for Clickbaits in Social Images and Texts with Linguistically-Infused Neural Network Models
地址： http://arxiv.org/abs/1710.06390
作者： Maria Glenski, Ellyn Ayton, Dustin Arendt, Svitlana Volkova
摘要： 本文介绍了我们参与2017年Clickbait挑战赛在社交媒体上进行自动点击检测的结果和结论。我们首先描述语言学输入的神经网络模型，并且识别信息表示以预测Twitter帖子中的clickbaiting的水平。我们的模型不仅可以回答一个问题是否是一个clickbait的问题，而且在多大程度上它是一个clickbait的帖子，例如，在某种程度上，稍微，相当大或者很大的clickbaity使用0到1的分数。评估从推文中提取的各种文本和图像表示训练的模型的预测能力。我们最好的表现模式依赖于从推文和相应页面提取的有偏见语言的推文文本和语言标记，产生0.04的均方误差（MSE）为0.16，平均绝对误差（MAE）为0.16，R2为0.43，测试数据。对于二进制分类设置（clickbait vs. non-clickbait），我们的模型获得了0.69的F1分数。我们还没有发现图像表示结合文本产生显着的性能提升。然而，这项工作是第一个使用Google Tensorflow对象检测API从Clickbait和非Clickbait Twitter帖子中的图像提取的对象的初步分析。最后，我们将介绍几个改进模型性能的步骤，作为未来工作的一部分。
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。