- DERGMs：简并约束指数随机图模型;
- 城市经济反复验证的共同轨迹;
- QANet：用于异构信息网络基于查询的异常检测的张量分解方法;
- 三元时间序列模体;
- 交互网络中的流动模体;
- 从Louvain算法到Leiden算法：保证连接良好的社区;
- 染色规避的点渗流和边渗流的复杂性;
- 数据驱动和模型生成的复杂网络分析;
DERGMs：简并约束指数随机图模型
原文标题： DERGMs: Degeneracy-restricted exponential random graph models
地址： http://arxiv.org/abs/1612.03054
作者： Vishesh Karwa, Sonja Petrović, Denis Bajić
摘要： 指数随机图模型（ERGM）是一种灵活的网络模型。最近的工作突出了与模型的不良行为有关的困难，被称为“退化”，例如大多数概率质量集中在参数空间的一小部分上。这种行为通过通常的MCMC算法限制了ERGM作为实际数据模型和参数估计的适用性。为了解决这个问题，我们提出了一个基于标准ERGM框架的随机图模型的新指数族模型。我们通过可解释的支持限制来解决退化模型行为。也就是说，我们引入了一个新的参数，该参数基于退化的图论理论，这是一种稀疏性度量，其在现实世界网络中的价值较低。我们证明这种支持限制并没有从ERGM的支持中消除太多的图，我们也证明了模型的简并性正是通过其足够的统计数据的稳定性来捕获的。我们展示了退化的ERGM的例子，其对应的DERGM不是理论上和模拟的，我们在一组真实世界网络上测试我们的模型类。
城市经济反复验证的共同轨迹
原文标题： A common trajectory recapitulated by urban economies
地址： http://arxiv.org/abs/1810.08330
作者： Inho Hong, Morgan R. Frank, Iyad Rahwan, Woo-Sung Jung, Hyejin Youn
摘要： 各个城市一遍又一遍地验证了一般的经济途径吗？确定这种演变结构（如果有的话）将为模型的城市可持续性和经济成功的评估，维护和预测提供信息，作为定量基准。这个前提似乎与现有的经验证据相矛盾，这些经验证据表明了依赖路径的增长塑造了个别城市的独特历史。然而，最近的经验证据和理论模型已经相当于普遍模式，大多数依赖于尺度，因此将许多城市数量表示为一组简单的尺度定律。在这里，我们提供了一个数学框架，将重复的横截面数据（每个都在时间维度上冻结）整合到一个参考框架中，以便及时对各个城市进行纵向演变。利用1998年至2013年间数千个商业类别中超过1亿人就业的数据，我们将每个城市的发展分解为前因子和相对变化，以消除国家和全球影响。通过这种方式，我们展示了各个城市的纵向动态概括了观察到的横截面规律性。较大的城市不仅是他们较小的同龄人的规模化版本，也是他们过去的规模。此外，我们的模型显示，专业化和多元化都归因于行业规模指数的分布，导致120万人口的关键人口，一个城市将工业转变为创新型经济。
QANet：用于异构信息网络基于查询的异常检测的张量分解方法
原文标题： QANet: Tensor Decomposition Approach for Query-based Anomaly Detection in Heterogeneous Information Networks
地址： http://arxiv.org/abs/1810.08382
作者： Vahid Ranjbar, Mostafa Salehi, Pegah Jandaghi, Mahdi Jalili
摘要： 复杂网络现已成为现代信息基础设施的组成部分。本文提出了一种以用户为中心的方法来检测异构信息网络中的异常，其中节点和/或边可能来自不同类型。在所提出的异常检测方法中，用户直接与系统交互，并且可以通过查询来检测异常实体。我们的方法基于张量分解和聚类方法。我们还提出了一种网络生成模型来构建合成异构信息网络来测试所提方法的性能。将所提出的异常检测方法与合成网络和现实世界网络中的现有技术方法进行比较。实验结果表明，所提出的基于张量的方法明显优于现有的异常检测方法。
三元时间序列模体
原文标题： Triadic time series motifs
地址： http://arxiv.org/abs/1810.08386
作者： Wen-Jie Xie, Rui-Qi Han, Wei-Xing Zhou
摘要： 我们介绍了时间序列模体的概念，用于时间序列分析。时间序列模体不仅考虑相互可见度的空间信息，还考虑数据点之间的相对幅度的时间信息。我们研究了六个三元时间序列的概况。对于不相关的时间序列导出六个模体出现频率，这些时间序列是时间序列长度的近似线性函数。因此，相应的基序轮廓收敛于常数向量（0.2,0.2,0.1,0.2,0.1,0.2）。这些分析结果已通过数值模拟验证。对于分数高斯噪声，数值模拟揭示了模体出现频率对赫斯特指数的非线性依赖性。时间序列模体分析的应用揭示了基序发生频率分布能够捕获健康受试者，充血性心力衰竭（CHF）受试者和心房颤动（AF）受试者的心跳率以及价格波动的不同动态。看涨和看跌的市场。我们的方法显示了它对不同类型的时间序列进行分类并测试时间序列的时间不可逆性的潜在能力。
交互网络中的流动模体
原文标题： Flow Motifs in Interaction Networks
地址： http://arxiv.org/abs/1810.08408
作者： Chrysanthi Kosyfaki, Nikos Mamoulis, Evaggelia Pitoura, Panayiotis Tsaparas
摘要： 许多现实世界现象最好地表示为具有动态结构的交互网络（例如，交易网络，社会网络，交通网络）。交互网络捕获沿时间线在其顶点之间传输的数据流。分析这些网络对于理解其中的过程至关重要。典型的分析任务是找到模体，模体是在网络中重复出现的小子图模块。在本文中，我们介绍了网络流模体，这是一种新型的模体，它模拟了约束时间窗内一组顶点之间的重要流动传递。我们设计了一种用于识别大图中的流动模体实例的算法。我们的算法可以很容易地适应于找到最大流量的前k个实例。此外，我们设计了一个动态编程模体，用于查找具有最大流量的实例。我们在三个真实数据集上评估算法的性能，并识别对这些图有重要意义的流动模体。我们的结果表明我们的算法是可扩展的，并且真实网络确实包括有趣的模体，其比具有相似特征的随机生成的网络更频繁地出现。
从Louvain算法到Leiden算法：保证连接良好的社区
原文标题： From Louvain to Leiden: guaranteeing well-connected communities
地址： http://arxiv.org/abs/1810.08473
作者： Vincent Traag, Ludo Waltman, Nees Jan van Eck
摘要： 社区检测通常用于理解大型复杂网络的结构。用于揭示社区结构的最流行的算法之一是所谓的Louvain算法。我们证明了这个算法有一个主要的缺陷，直到现在才被忽视：Louvain算法可能产生任意连接不良的社区。在最坏的情况下，社区甚至可能会断开连接，尤其是在迭代运行算法时。在我们的实验分析中，我们观察到多达25％的社区连接严重，最多16％的社区断开连接。这可能在随后的分析中出现严重问题。为了解决这个问题，我们介绍了莱顿算法。我们证明Leiden算法可以产生保证连接的社区。此外，我们证明，当迭代应用莱顿算法时，它会收敛到一个分区，在该分区中，所有社区的所有子集都在本地进行了最佳分配。此外，通过依赖快速局部移动方法，Leiden算法比Louvain算法运行得更快。我们演示了Leiden算法在几个基准和现实网络中的性能。我们发现Leiden算法比Louvain算法更快，并且除了提供明确的保证外，还揭示了更好的分区。根据我们的结果，我们得出结论，Leiden算法优于Louvain算法。
染色规避的点渗流和边渗流的复杂性
原文标题： On the complexity of color-avoiding site and bond percolation
地址： http://arxiv.org/abs/1810.08484
作者： Roland Molontay, Kitti Varga
摘要： 复杂网络的鲁棒性和容错性的数学分析一直是研究兴趣的中心。另一方面，当顶点或边的攻击容差不是独立的但是某些类型的顶点或边共享相互的漏洞时，几乎没有做过任何工作。在这项研究中，我们考虑一个图，我们为顶点或边分配颜色，其中颜色类对应于共享的漏洞。一个重要的问题是找到鲁棒连接的顶点集：通过提供任何类型错误的路径（即擦除给定颜色的任何顶点或边）保持彼此连接的节点。这也称为避免颜色渗透。在本文中，我们研究了共享漏洞的各种可能的建模方法，我们分析了寻找鲁棒（避免颜色）连接组件的计算复杂性。我们发现所提出的方法在复杂性方面存在显著差异。
数据驱动和模型生成的复杂网络分析
原文标题： Data-driven Analysis of Complex Networks and their Model-generated Counterparts
地址： http://arxiv.org/abs/1810.08498
作者： Marcell Nagy, Roland Molontay
摘要： 数十年来，数据驱动的复杂网络分析一直是研究的焦点。一个重要的问题是发现现实世界网络中各种网络特征之间的关系以及这些关系如何在网络域之间变化。一个相关的研究问题是研究网络模型如何能够捕获图表度量之间观察到的关系。在本文中，我们应用统计和机器学习技术来回答上述问题。我们研究了400个真实网络以及由5个常用网络模型生成的6 x 400网络，这些网络具有预设的参数，以使生成的图尽可能类似于真实网络。我们发现结构度量的相关性概况在网络域之间显著不同，并且可以使用少量图度量来有效地确定域。网络模型的适用性和性能最佳的模型本身在很大程度上取决于域。使用机器学习技术，可以相对容易地确定网络是真实的还是模型生成的。我们还研究了哪些结构属性可以实现良好的准确性，即网络模型无法捕获的功能。
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。