- 保护基于标签的推荐系统免受档案注入攻击：一个比较研究;
- 预测登革热感染引入到来的全球模型;
- 基于意见-邻居的改进的类Vicsek社会网络的影响动态和共识;
- 用于在大型社交媒体上实时数据获取的Bandit算法;
- 带标签社交图中的多样性、拓扑和节点重新识别的风险;
保护基于标签的推荐系统免受档案注入攻击：一个比较研究
原文标题： Securing Tag-based recommender systems against profile injection attacks: A comparative study
地址： http://arxiv.org/abs/1808.10550
作者： Georgios Pitsilis, Heri Ramampiaro, Helge Langseth
摘要： 这项工作解决了与社交标记系统攻击相关的挑战，社交标记系统通常以恶意注释或配置文件注入攻击的形式出现。特别是，我们研究针对此类系统的两种威胁的各种对策，即过载和背驮式攻击。研究对策包括基线分类器，如朴素贝叶斯滤波器和支持向量机，以及基于深度学习的方法。我们对del.icio.us生成的合成垃圾邮件数据进行的评估表明，在大多数情况下，基于深度学习的方法可以提供最佳的威胁防护。
预测登革热感染引入到来的全球模型
原文标题： A global model for predicting the arrival of imported dengue infections
地址： http://arxiv.org/abs/1808.10591
作者： Jessica Liebig, Cassie Jansen, Dean Paini, Lauren Gardner, Raja Jurdak
摘要： 由于世界上约有一半的人口面临感染登革热的风险，这种由蚊子传播的疾病引起全球关注。国际旅行者通过将疾病从地方病流入非流行国家，为登革热的快速和大规模传播做出了重大贡献。为了防止未来爆发，有关登革热感染旅行者的到达时间和地点的知识至关重要。考虑到国际航空旅行量，发病率和时间感染动态，我们提出了一种网络模型，可预测到达任何特定机场的登革热感染空气乘客的月数。我们使用来自澳大利亚和欧洲的登革热通知数据验证模型的输出。我们的研究结果阐明了登革热的进口途径，并进一步揭示了可能归因于意识和通知政策差异的国别报告率。
基于意见-邻居的改进的类Vicsek社会网络的影响动态和共识
原文标题： Influence Dynamics and Consensus in an Opinion-Neighborhood based Modified Vicsek-like Social Network
地址： http://arxiv.org/abs/1808.10716
作者： Narayani Vedam, Debasish Ghose
摘要： 我们提出了一个改进的Vicsek模型来研究社会网络中的影响动态和意见形成。我们的工作前提是，一组成员的意见可能被认为类似于太空中粒子的运动方向。在保持相似信仰的熟悉个体的影响下，这些观点容易发生变化。这与有限信心模型不同，后者仅依赖于基于意见亲密度的交互。影响网络的发展要么是在相似的人都熟悉的时候，要么是在他们对自己的信仰产生影响时。这产生了一个自适应网络，其中分配了动态中心性分数和不同的影响力。个人的混合 - 僵化和灵活 - 被认为构成群体 - 自由派和保守派。我们分析了不同初始条件，代理人类型，密度和容差的紧急群体行为。该模型准确地预测了僵化代理人在阻碍共识方面的作用。此外，已经建立了由于所提出的模型而导致的动态网络的一些结构特性。
用于在大型社交媒体上实时数据获取的Bandit算法
原文标题： Bandit algorithms for real-time data capture on large social medias
地址： http://arxiv.org/abs/1808.10725
作者： Thibault Gisselbrecht
摘要： 我们研究了社交媒体上实时数据捕获的问题。由于这些媒体所施加的限制不同，而且对于非常大量的信息，也不可能收集Twitter等社会网络产生的所有数据。因此，为了能够收集与预定义需求相关的足够的相关信息，有必要关注信息源的子集。在这项工作中，我们专注于以用户为中心的数据捕获，并将社会网络的每个帐户视为可以在数据捕获过程的每次迭代中收听的源，以便收集相应的生成内容。该过程的目的是最大化所收集信息的质量，受到可同时监控的用户数量的限制。选择要随时间收听的帐户子集的问题是在约束下的顺序决策问题，我们将其形式化为具有多个选择的强盗问题。因此，我们提出了几种强盗模型来实时识别最相关的用户。首先，我们研究随机强盗的情况，其中每个用户对应于静态分布。然后，我们引入两个上下文强盗模型，一个是静止的，另一个是非静态的，其中每个用户的效用可以通过假设奖励空间中的一些底层结构来估计。第一种方法引入了概要的概念，其对应于用户的平均行为。第二种方法考虑用户的活动以预测他未来的行为。最后，我们感兴趣的是能够解决用户之间复杂的时间依赖关系的模型，使用潜在的空间，信息从一个迭代转移到另一个迭代。每个提出的方法都在人工和真实数据集上得到验证。
带标签社交图中的多样性、拓扑和节点重新识别的风险
原文标题： Diversity, Topology, and the Risk of Node Re-identification in Labeled Social Graphs
地址： http://arxiv.org/abs/1808.10837
作者： Sameera Horawalavithana, Clayton Gandy, Juan Arroyo Flores, John Skvoretz, Adriana Iamnitchi
摘要： 真实的网络数据集为理解信息传播或网络演化等现象提供了重要的好处。然而，即使在剥离用户身份信息时，共享真实图数据集所带来的隐私风险也很重要。当节点具有关联属性时，隐私风险会增加。在本文中，我们通过使用基于机器学习的重新识别攻击并探索图拓扑和属性放置之间的相互作用，定量研究二进制节点属性对节点隐私的影响。我们的实验表明，二元属性上的群体多样性一直会降低匿名性。
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。