- 社会系统中的权力积累;
- 从不相关的随机序列和多重分形二元测度映射得到的水平可见性图的解析度分布;
- 基于Latane理论的多选项意见动态模型;
- 更快地计算空间网络上的渗流相关长度;
- 复杂商业网络中的分层社区;
- 市场声誉系统：可行性评估;
- 通过特征排序重建动态网络;
- 复杂网络的快速共识聚类;
- 数据驱动的无监督在线学习者行为聚类;
社会系统中的权力积累
原文标题： Power Accretion in Social Systems
地址： http://arxiv.org/abs/1902.03288
作者： Silvia N. Santalla, Kostadin Koroutchev, Elka Korutcheva, Javier Rodriguez-Laguna
摘要： 我们考虑社交系统中的权力分配模型，其中一组代理人玩一个简单的博弈：每轮获胜的概率与代理人的当前权力成比例，并且胜者获得更多权力。我们表明，不平等自然地增长到某个固定值，其特征是较高和较低类别的代理之间的明显差异，后者不能称之为前者所下的赌注。高级试剂由一种或几种较低级试剂分开，这些试剂用作几何屏障，防止它们之间进一步的动力流动。此外，我们考虑再分配机制的影响，例如比例（非累进）税收。充足的税收将导致向更平等的社会转变，但税收水平不足可能会对不平等程度产生违反直觉的影响，因为它可能会降低防止增加的几何障碍的有效性。
从不相关的随机序列和多重分形二元测度映射得到的水平可见性图的解析度分布
原文标题： Analytic degree distributions of horizontal visibility graphs mapped from unrelated random series and multifractal binomial measures
地址： http://arxiv.org/abs/1902.03435
作者： Wen-Jie Xie, Rui-Qi Han, Zhi-Qiang Jiang, Lijian Wei, Wei-Xing Zhou
摘要： 复杂网络不仅是分析复杂系统的有力工具，也是分析时间序列的有效方法。水平可见性图（HVG）算法将时间序列映射到图中，其度数分布在数值上和分析上针对特定时间序列进行研究。我们通过HVG的迭代构造过程推导出HVG的度分布。随机序列的HVG和有向HVG的度分布推导为指数，这证实了其他方法的分析结果。我们还得到了HVGs的度分布以及从多重分形二项式测量转换而来的有向HVG的度数和出度分布的解析表达式，这与数值模拟非常吻合。
基于Latane理论的多选项意见动态模型
原文标题： Multi-choice opinion dynamics model based on Latane theory
地址： http://arxiv.org/abs/1902.03454
作者： Przemyslaw Bancerowski, Krzysztof Malarz
摘要： 本文重新考虑了Nowak - Szamrej-Latan的模型。这种计算机化的意见形成模型基于拉丁的社会影响理论。我们修改此模型以允许多个（超过两个）意见。通过计算机模拟，我们表明在修改后的模型中仍然可以观察到有序/无序相变的特征。可以在分享 意见的行动者的平均比例，其变化以及具有相同观点的行动者群体的平均数量以及具有相同观点的最大行动者群体的平均数量中观察到过渡。还简要回顾了模型控制参数对模拟结果的影响。对于具有相同演员支持性和说服力的同质社会，关键社交温度 T_C 随着可用意见的增加而减少 K 从 T_C = 6.1 （ K = 2 ）到4.7,4.1到 T_C = 3.6 for K = 3 ，4,5。
更快地计算空间网络上的渗流相关长度
原文标题： Faster calculation of the percolation correlation length on spatial networks
地址： http://arxiv.org/abs/1902.03708
作者： Michael M. Danziger, Bnaya Gross, Sergey V. Buldyrev
摘要： 在临界状态下相关长度 xi 的偏差是二维系统中渗流的重要现象。通过利用不相交集已经实现了对逾渗阈值和分量分布的计算的显著加速，但是这种现有算法不能测量相关长度。在这里，我们利用平行轴定理跟踪相关长度，因为节点被添加到系统中，允许我们利用不相交的集合来测量整个渗透过程的 xi ，在单次扫描中具有任意精度。该算法能够直接测量格子中的相关长度以及空间网络拓扑，并为理解空间系统中的临界现象提供了重要的工具。
复杂商业网络中的分层社区
原文标题： Stratified communities in complex business networks
地址： http://arxiv.org/abs/1902.03854
作者： Roy Cerqueti, Gian Paolo Clemente, Rosanna Grassi
摘要： 本文介绍了网络社区结构的新定义，其中还考虑了社区如何分层。特别是，我们扩展了聚类系数的标准概念，并提供了节点 i 的本地 l -adjacency聚类系数。我们将其定义为距离 i 距离 i 的节点的聚类系数的适当加权平均值。与节点 i 相关联的社区层云由 i 的距离 l 标识，因此标准聚类系数是层数 l = 0 的特殊本地 l -adjacency聚类系数。随着距离 l 的变化，本地 l -adjacency聚类系数随后用于推断整个网络的社区结构的见解。对特殊商业网络进行了实证研究。特别是，对空中交通网络的分析验证了理论提案，并就其有用性提供了支持性论点。
市场声誉系统：可行性评估
原文标题： A Reputation System for Marketplaces - Viability Assessment
地址： http://arxiv.org/abs/1902.03857
作者： Anton Kolonin, Ben Goertzel, Cassio Pennachin, Deborah Duong, Marco Argentieri, Nejc Znidar
摘要： 在这项工作中，我们探索了通用市场的声誉系统的实现，描述了算法的细节和驱动其运行的参数，证明了模拟建模的方法，并探讨了各种不同参数的声誉系统如何影响经济安全性。市场。我们的重点是通过区分作弊参与者和诚实参与者的能力来保护消费者，以及最大限度地减少因欺诈而导致的诚实参与者损失的能力。
通过特征排序重建动态网络
原文标题： Reconstructing dynamical networks via feature ranking
地址： http://arxiv.org/abs/1902.03896
作者： Marc G. Leguia, Zoran Levnajic, Ljupco Todorovski, Bernard Zenko
摘要： 关于真实复杂系统的经验数据正变得越来越普及。与此并行的是需要从节点动力学的时间分辨观察重建（推断）网络拓扑的新方法。基于物理洞察力的方法通常依赖于关于审查网络的属性和动态的强有力假设。在这里，我们使用机器学习的见解来设计一种新的网络重建方法，基本上不做这样的假设。具体来说，我们将可用轨迹（数据）解释为特征，并使用两个独立的特征排序方法 - 随机森林和RReliefF - 来对每个节点的重要性进行排序，以预测每个其他节点的值，从而产生重建的邻接矩阵。我们证明了我们的方法对耦合强度，系统大小，轨迹长度和噪声相当稳健。我们还发现重建质量在很大程度上取决于动力机制。
复杂网络的快速共识聚类
原文标题： Fast consensus clustering in complex networks
地址： http://arxiv.org/abs/1902.04014
作者： Aditya Tandon, Aiiad Albeshri, Vijey Thayananthan, Wadee Alhalabi, Santo Fortunato
摘要： 用于社区检测的算法通常是随机的，导致用于随机种子的不同选择的不同分区。已经证明，共识聚类是一种有效的技术，可以获得比通过直接应用算法获得的分区更稳定和准确的分区。但是，该过程需要计算共识矩阵，如果（某些）输入分区的簇很大，则该共识矩阵可能非常密集。因此，复杂性可能危险地接近二次方，这使得该技术不适用于大图。在这里，我们提出了一致性聚类的快速变体，它仅在原始图的链接上和适当选择的可比较数量的附加节点对上计算共识矩阵。这使复杂性降至线性，而性能仍然与完整技术相当。因此，我们的快速一致性聚类过程可以应用于具有数百万个节点和链接的网络。
数据驱动的无监督在线学习者行为聚类
原文标题： Data-driven unsupervised clustering of online learner behaviour
地址： http://arxiv.org/abs/1902.04047
作者： Robert L. Peach, Sophia N. Yaliraki, David Lefevre, Mauricio Barahona
摘要： 在线课程的广泛采用为分析学习者行为和优化基于网络的材料提供了机会，以适应观察到的使用情况。在这里，我们介绍了一个数学框架，用于分析从学习者在线参与收集的时间序列，这允许直接从数据中识别具有相似在线行为的学习者群集，即，学习者群体不是主观预先确定的，而是出现该方法使用动态时间规整核来创建学习者动作的时间序列之间的成对相似性，并将其与无监督的多尺度图聚类算法相结合，以聚类具有相似行为模式的学习者群。我们展示了我们对成人学习者在线参与数据的方法，该学习者在帝国商学院（Imperial Business School）获得了六门网络课程作为研究生学位的一部分。我们的分析确定了具有统计学上不同的参与模式的学习者群体，从分布式学习到集中学习，对预先计划的课程结构和/或任务完成的不同程度的遵守，以及揭示具有高度零星行为的异常学习者。与绩效的后验比较表明，虽然大多数低绩效学习者是集体学习集群的一部分，但高绩效学习者分布在具有不同在线参与特征的集群中。我们还表明，我们的方法能够比基于从数据中提取的原始统计数据的常见分类方法更准确地识别低绩效学习者。
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。