- 社会学习对隐私保护数据收集的影响;
- 一般数据保护规则（GDPR）对社会网络研究的影响分析;
- 投入产出易感性带来的经济弹性改善了对经济增长和复苏的预测;
- 多热紧凑型网络嵌入;
- 在线分工：开源软件中的涌现结构;
社会学习对隐私保护数据收集的影响
原文标题： Impact of Social Learning on Privacy-Preserving Data Collection
地址： http://arxiv.org/abs/1903.03165
作者： Abdullah Basar Akbay, Weina Wang, Junshan Zhang
摘要： 我们研究一种模型，其中数据收集器通过支付机制从用户获得数据，旨在从引出的数据中学习基础状态。每个用户的私人信号代表她对国家的了解;通过社交互动，每个用户还可以学习她的社交朋友信号的嘈杂版本，这被称为“学习组信号”。由于社交学习，用户可以在私人信号之外获得更丰富的有关状态的信息。基于她的私人信号和学习组信号，每个用户做出战略决策，将数据的隐私保护版本报告给数据收集器。我们开发了一个贝叶斯博弈理论框架来研究社会学习对用户数据报告策略的影响，并相应地设计数据收集器的支付机制。我们的研究结果表明，一般来说，贝叶斯 - 纳什均衡的理想数据报告策略可以采用对称随机响应（SR）策略或信息非披露（ND）策略的形式。具体地，每个用户将广义多数表决规则应用于她的嘈杂组信号以确定遵循哪种策略。此外，当用户播放ND策略时，她完全基于她的群组信号报告隐私保护数据，而不依赖于她的私人信号，这表明她的隐私成本为零。我们强调，当用户播放ND策略时报告的数据仍然是关于基础状态的信息，因为它基于她学习的组信号。因此，数据收集器和用户都可以从社交学习中受益，这降低了隐私成本并有助于在给定的支付预算下改进状态估计。我们进一步得出了达到给定水平的州估计准确度所需的最低总支付额。
一般数据保护规则（GDPR）对社会网络研究的影响分析
原文标题： An Analysis of the Consequences of the General Data Protection Regulation (GDPR) on Social Network Research
地址： http://arxiv.org/abs/1903.03196
作者： Andreas Kotsios, Matteo Magnani, Luca Rossi, Irina Shklovski, Davide Vega
摘要： 本文探讨了在社会网络数据背景下通用数据保护法规（GDPR）中概述的原则。我们提供了符合GDPR标准的社会网络数据处理的实用指南，涵盖了数据收集，同意，匿名化和数据分析等方面，以及当监管所依据的一般原则被实例化时出现的问题的更广泛讨论。这个研究领域。
投入产出易感性带来的经济弹性改善了对经济增长和复苏的预测
原文标题： Economic resilience from input-output susceptibility improves predictions of economic growth and recovery
地址： http://arxiv.org/abs/1903.03203
作者： Peter Klimek, Sebastian Poledna, Stefan Thurner
摘要： 现代宏观经济理论无法预见最后的大衰退，也无法预测其持续时间延长和恢复率。它们基于经济衰退期间不存在的供需平衡。在这里，我们将弹性作为网络化生产系统的非平衡特性，并为输入 - 输出经济学开发线性响应理论。通过在2000年至2014年间对来自43个国家的56个工业部门的数据进行校准，我们发现各个工业部门对经济冲击的敏感性在不同国家，部门和时间之间差异很大。我们表明，基于敏感性的预测将部门和国家特定的恢复考虑在内，远远超出标准的计量经济增长模型。我们的结果具有分析严谨性，经验可测性，并且足够灵活，可以解决与策略相关的情况。我们通过估算最近征收的关税对欧洲国家特定行业的美国进口（钢铁和铝）的影响来说明后者。
多热紧凑型网络嵌入
原文标题： Multi-Hot Compact Network Embedding
地址： http://arxiv.org/abs/1903.03213
作者： Chaozhuo Li, Senzhang Wang, Philip S. Yu, Zhoujun Li
摘要： 网络嵌入作为网络表示学习的有前途的方式，能够支持各种后续的网络挖掘和分析任务，并且最近吸引了越来越多的研究兴趣。传统方法为每个节点分配一个独立的连续向量，这将导致大型网络的巨大内存开销。在本文中，我们提出了一种新颖的多热紧凑嵌入策略，通过学习部分共享嵌入来有效降低内存成本。洞察力是节点嵌入向量由几个基向量组成，这可以显著减少连续向量的数量，同时保持相似的数据表示能力。具体来说，我们提出了一个MCNE模型来学习来自预先学习的节点特征的紧凑嵌入。一个名为压缩器的新组件被集成到MCNE中，以应对流行的反向传播优化无法通过离散样本传播的挑战。我们进一步提出了一个端到端模型MCNE _ {t} 来直接从输入网络学习紧凑嵌入。根据经验，我们在三个真实网络数据集上评估所提出的模型，结果表明我们的建议可以节省大约90％的网络嵌入内存成本而不会显著降低性能。
在线分工：开源软件中的涌现结构
原文标题： Online division of labour: emergent structures in Open Source Software
地址： http://arxiv.org/abs/1903.03375
作者： María J. Palazzi, Jordi Cabot, Javier Luis Cánovas Izquierdo, Albert Solé-Ribalta, Javier Borge-Holthoefer
摘要： 开发开源软件的开发从根本上取决于志愿者开发人员的参与和承诺。一些作品已经提出了增加新贡献者的入职和参与的策略，但对于这些不同的开发团队如何自我组织协同工作知之甚少。要理解这一点，必须考虑到，一方面，像GitHub这样的平台提供了一个几乎无限制的开发框架：任何数量的参与者都可以以分散，分布式，远程和异步方式加入。然而，另一方面，必须采取某种等级制度和分工来满足人类的生理和认知限制，并达到某种程度的效率，这似乎是合理的。当项目被表示为开发者 - 文件二分网络时，后面这些特征（等级和分工）应转化为可识别的结构安排。在本文中，我们分析了一组来自GitHub的流行开源项目，重点放在三个关键属性上：嵌套性，模块性和嵌入式嵌套 - 这代表了贡献者之间异质性的出现，特定于开发人员的子组的出现文件的子组，以及前两个的混合。这些分析表明，项目确实演变为内部组织的块。此外，这些区块的大小分布是有限的，将我们的结果与离线和在线环境中着名的Dunbar数字联系起来。我们的分析在生物认知约束，群体形成和在线工作环境之间建立了联系，为（在线）工作团队装配的未来研究开辟了丰富的场景。
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。