- 复杂网络中的同步稳健性和广义基尔霍夫指数;
- 无通信大规模分布图生成;
- 连续富者越富流程：适用于企业规模的平均场分析;
- 复杂传染：十年综述;
- 使用信息扩散的时间动态学习在线社会网络中的用户表示;
复杂网络中的同步稳健性和广义基尔霍夫指数
原文标题： Robustness of synchrony in complex networks and generalized Kirchhoff indices
地址： http://arxiv.org/abs/1710.07536
作者： Melvyn Tyloo, Tommaso Coletta, Philippe Jacquod
摘要： 在网络理论中，最重要的问题是如何以快速可靠的方式评估网络漏洞。考虑到这个问题，我们调查复杂网络上耦合动力系统参数变化的响应。我们发现，对于特定的非平均扰动，同步状态的响应主要取决于扰动矢量与非扰动动力学的稳定矩阵的本征模态之间的重叠。一旦在这种扰动的适当定义的集合上进行平均，则响应由新的图拓扑指数给出，其作为广义基尔霍夫指数引入。这些发现允许一种快速可靠的方法来评估网络针对不断变化的操作条件，故障或外部攻击的特定或平均漏洞。
无通信大规模分布图生成
原文标题： Communication-free Massively Distributed Graph Generation
地址： http://arxiv.org/abs/1710.07565
作者： Daniel Funke, Sebastian Lamm, Peter Sanders, Christian Schulz, Darren Strash, Moritz von Looz
摘要： 分析大量的复杂网络可以为我们的日常生活带来有希望的见解。构建可扩展的算法来做到这一点是一项艰巨的任务，需要仔细分析和广泛的评估。然而，这种算法的工程常常受到公共可用数据集稀缺的阻碍。网络发生器通过提供具有可控参数的合成实例，作为缓解此问题的工具。然而，许多网络发生器由于其顺序性质或资源限制而无法大量提供实例。此外，真正可扩展的网络发生器在实际中很少，往往受到限制。在这项工作中，我们提出了在实践中常见的各种网络模型的新型发电机。通过利用伪随机分割和分治计划，我们的发电机遵循无通信的范例，即不需要通信。所产生的发电机通常是令人尴尬的平行并且具有接近最佳的尺度行为。总体而言，我们能够在32768个处理器的不到22分钟内生成高达$ 2 ^ {43} $顶点和$ 2 ^ {47} $边的实例。因此，我们的发电机允许以前所未有的规模使用新的图表系列。
连续富者越富流程：适用于企业规模的平均场分析
原文标题： Continuum rich-get-richer processes: Mean field analysis with an application to firm size
地址： http://arxiv.org/abs/1710.07580
作者： David Rushing Dewhurst, Christopher M. Danforth, Peter Sheridan Dodds
摘要： 古典富者越富模型在能够广泛地再现各种真实复杂系统的统计和动态方面取得了很大的成功。这些富者越富模型基于古典罐子模型，并在离散时间内逐步展开。在这里，我们考虑以偏微分方程（PDE）的形式作用于时间连续体的自然变异。我们首先表明，赫伯特·西蒙的经典优先连接模型的连续版本具有相同的尺寸分布。在放松西蒙的线性增长机制的假设中，我们考虑任意增长核心的情况，并找到所得到的PDE的一般解决方案。然后，我们将PDE扩展到多个空间维度，再次确定一般解决方案。最后，我们将模型应用于企业的规模和财富分配。我们获得了与模拟和观测数据一致的幂律定标。
复杂传染：十年综述
原文标题： Complex Contagions: A Decade in Review
地址： http://arxiv.org/abs/1710.07606
作者： Douglas Guilbeault, Joshua Becker, Damon Centola
摘要： 自2007年出版“复杂传染与弱势弱点”以来，已经对各种各样的社会领域进行了复杂的传染。在回顾这十年的研究过程中，我们讨论了复杂传染病应用研究的最新进展，特别是在健康，创新传播，社会媒体和政治领域。我们还讨论了这些实证研究如何促进了传染病理论建模的互补性进展，这涉及网络拓扑对扩散的影响，以及个体级属性和阈值的影响。综合这些发展情况，我们提出今后研究的三个主要方向。第一个问题涉及多个传染病在同一个网络和网络之间如何相互作用的研究，可能被称为传染病的生态学。第二个问题涉及研究阈值结构及其行为后果如何因个人和社会环境而变化。第三个领域涉及多样性和同质性在复杂传染的动态中的作用，包括地方同行的人口统计特征的多样性以及网络中更广泛的结构多样性概念。在整个讨论中，我们努力突出了未来的理论和经验机会。
使用信息扩散的时间动态学习在线社会网络中的用户表示
原文标题： Learning User Representations in Online Social Networks using Temporal Dynamics of Information Diffusion
地址： http://arxiv.org/abs/1710.07622
作者： Harvineet Singh, Amitabha Bagchi, Parag Singla
摘要： 本文介绍了一种在线社会网络中用户学习低维分布式表示的新颖方法。现有的方法依赖于由用户之间的社会关系形成的网络结构来提取这些表示。但是，网络信息可能已过时，不完整或动态变化。另外，在某些情况下，得到网络信息可能是非常昂贵的。因此，我们提出一种基于在社会网络中讨论的主题的观察的替代方法。我们利用采用主题的用户的时间信息将其嵌入到实数向量空间中。通过广泛的实验，我们调查所学习的表征的性质及其在保存用户之间链接结构信息方面的功效。我们还评估两种不同预测任务中的表示，即预测一个主题的最有可能的未来采用者，并预测用户的地理位置。验证提出的方法的实验是从Twitter上提取的大规模社会网络进行的，其中包括大约770万用户和他们在一个月内约360万个主题的活动。
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。