- 模拟基本在中国多层交通网络上的传播：不仅仅是武汉冠状病毒;
- 带非回溯特征值的节点免疫;
- 统一网络上的易感-感染-恢复过程;
- 移动性即服务（MaaS）时代的共享出行：一个基于活动的多模和模间方法;
- 伯努利随机图叠加的同配性和二元度分布;
- 复杂网络临界雪崩动态类;
- DSSLP：分布式半监督链路预测框架;
- 2019年英国大选期间的垃圾新闻和信息共享;
- 建模作者对物理学期刊引用动态影响力的多层网络方法;
- 边corona积用于建模复杂单形网络;
- 自适应社会网络信息传播动力学;
模拟基本在中国多层交通网络上的传播：不仅仅是武汉冠状病毒
原文标题： Simulating the Spread of Epidemics in China on the Multi-layer Transportation Network: Beyond the Coronavirus in Wuhan
地址： http://arxiv.org/abs/2002.12280
作者： Tianyi Li
摘要： 基于该模型SEIR和城市交通网络模型，研究建立了流行病在中国城市传播的通用模拟器。中国公共交通系统被建模为340个地级市之间的多层二分网络，层代表不同运输方式（航空，铁路，航运和汽运），节点分为两类（中心城市、周边城市）。在每一个城市，使用一个开放系统SEIR模型追踪疾病的局部扩散，人口的流入和流出通过叠加的交通网络进行交换。该模型考虑了（1）疾病在不同运输介质中的传播性，（2）城市流入的流量，（3）公共交通工具上的交叉感染，以及现实中（4）感染人群没有进入公共交通且（5）康复的群体不受到反复感染。该模型可用于模拟任意中国（和潜在其他国家）的城市间疾病扩散，主要特征为疾病的基本再生数、潜伏期、感染期和人畜共患情况，疾病从中国的地级市开始传播，模拟有效政府干预实施前的时期。流图被输入到系统中以触发城际动力学，假设不同的流动的强度，从经验观察进行确定，考虑节点内或节点间二分划分。该模型被用于模拟武汉2019冠状病毒疫情，结果表明该框架稳健可靠，模拟的结果与公开市级数据吻合程度极好。
带非回溯特征值的节点免疫
原文标题： Node Immunization with Non-backtracking Eigenvalues
地址： http://arxiv.org/abs/2002.12309
作者： Leo Torres, Kevin S. Chan, Hanghang Tong, Tina Eliassi-Rad
摘要： 非回溯矩阵和它的特征值出现网络科学和图挖掘许多应用中，诸如节点和边中心性、社区检测、长度谱论、图距离和流行病渗流阈值。此外，在网络流行病学，非回溯矩阵的最大特征值的倒数是一个很好的近似某些网络动态特性的流行病阈值。在这项工作中，我们开发了识别哪些节点对主导的非回溯特征值影响最大的技术。我们通过将一个节点从图中移除，研究非回溯矩阵的谱的行为。从这一分析我们得出了两个新的中心性度量：X-度和X-非回溯中心性。我们实验了从这两个中心性度量而得到的针对性免疫策略。谱分析和中心性度量可以广泛应用，理论家和实践者会对此感兴趣。
统一网络上的易感-感染-恢复过程
原文标题： Unifying susceptible-infected-recovered processes on networks
地址： http://arxiv.org/abs/2002.11765
作者： Lucas Böttcher, Nino Antulov-Fantulin
摘要： 在传播过程中两个连续的感染和恢复事件之间的等待时间往往假定为指数分布，其结果在马尔可夫（即，无记忆）连续扩展动态。然而，这没有考虑到内存（相关性）的影响，并且已被确定为相关的社会，交通离散的相互作用，以及疾病动态。我们介绍一种新颖的框架被网络上的任一演进以连续或离散时间模型（非）马尔可夫易受感染的回收的（SIR）的随机过程。我们应用我们的模拟框架研究描述为感染离散时间马尔可夫和恢复事件的连续时间非马尔可夫过程，它模仿了细胞周期时间的分布混合SIR过程。我们的研究结果表明，流行过程的有效扩散速率的描述不能唯一捕捉这种混合的行为以及一般非马尔可夫疾病动态。提供了一般马尔可夫和非马尔可夫疾病爆发的统一描述，我们不是表明，平均传输率产生独立于底层事件时间分布的同相图。
移动性即服务（MaaS）时代的共享出行：一个基于活动的多模和模间方法
原文标题： Ridesharing in the era of Mobility as a Service (MaaS): An Activity-based Approach with Multimodality and Intermodality
地址： http://arxiv.org/abs/2002.11712
作者： Ali Najmi, Taha H. Rashidi, Wei Liu
摘要： 流动作为一种服务（马斯），作为一个新兴的理念，迅速发展，并在同一时间通过促进它们的可使用共享的经济概念，不同运输方式的不可逆的重塑旅客的行为。管理迅速崛起马斯复杂的多式联运和多式联运系统，需要纳入所有涉及到的影响因素与运输工具网络的整体建模框架。在本文中，我们数学制定一个新的基于马斯活性行驶模式（ATP）生成器，以方便在系统共乘，其中司机和乘客互动分享他们充分的活动日记。建议的配方延伸马斯的定义超出联运旅行计划，通过将一个包容性的集旅游属性，包括活动，活动序列，发车时间和模式的选择，以及在所有参与者的分子ATP的模式之间的转换。此外，本文介绍了一种动态有向的顺风车-马斯模型，其中传统的顺风车造型结构与在一个统一的结构所提出的基于马斯-ATP发生器同步。这些模型明确地弥补现有文献分子ATP的规划和顺风车模型之间的错过输出连接的空白。最后，提供了数值例子来演示基于马斯规划对共乘系统性能显著的影响。
伯努利随机图叠加的同配性和二元度分布
原文标题： Assortativity and bidegree distributions on Bernoulli random graph superpositions
地址： http://arxiv.org/abs/2002.11809
作者： Mindaugas Bloznelis, Joona Karjalainen, Lasse Leskelä
摘要： 以 N 节点A概率生成的网络模型和 M 重叠层作为 M 不同大小和强度的相互独立的伯努利随机图的叠加而获得。当 N 和 M 大和大小的顺序相同的，该模型也承认稀疏限制制度具有可调幂律度分布和非零聚类系数。本文介绍了相邻节点的联合度分布的渐近式。这产生用于模型相配一个简单的分析公式，并打开了的方法来分析适合于与重尾度分布的随机图秩相关系数。
复杂网络临界雪崩动态类
原文标题： Classes of critical avalanche dynamics in complex networks
地址： http://arxiv.org/abs/2002.11831
作者： Filippo Radicchi, Claudio Castellano, Alessandro Flammini, Miguel A. Muñoz, Daniele Notarmuzi
摘要： 参展吸收状态动态过程中的一个大品种，从材料科学到流行病学和社会科学的情况下建模是必不可少的。这样的过程后呈现出缓慢行驶雪崩行为的可能性。在这里，我们研究的尺寸和雪崩的持续时间为复杂网络上知名的动态过程分布。我们发现，所有被分析模型显示了类似的临界行为，其特点是两个不同体制的存在。在小尺度，尺寸和雪崩的持续时间呈现出依赖于网络拓扑结构和模型动力学分布。在渐近大尺度代替--irrespective动力学和底层network--尺寸和雪崩的持续时间的拓扑类型的通过用平均场临界分支处理的指数幂律分布表征。
DSSLP：分布式半监督链路预测框架
原文标题： DSSLP: A Distributed Framework for Semi-supervised Link Prediction
地址： http://arxiv.org/abs/2002.12056
作者： Dalong Zhang, Xianzheng Song, Ziqi Liu, Zhiqiang Zhang, Xin Huang, Lin Wang, Jun Zhou
摘要： 链路预测被广泛用于各种工业应用，如商家建议，欺诈交易的检测，等等。然而，它的训练，并与数十亿节点和边的部署在工业规模图表链路预测模型一个很大的挑战。在这项工作中，我们提出了半监督链路预测问题（名为DSSLP），它能够处理工业规模的图表可扩展的和分布式架构。而不是在整个图的人才培养模式，DSSLP建议在 EMPH火车ķ -hops附近节点的一个小批量的设置，这有助于降低输入图的规模和分发训练过程。为了有效地产生负的例子，DSSLP包含分布式批处理运行时间采样模块。它实现了均匀且动态采样方法，并且能够自适应地构建体阳性和阴性例子指导训练过程。此外，DSSLP提出了一个模型分割战略，加快链路预测任务的推理过程的速度。实验结果表明，DSSLP的薮公共数据集以及工业规模图表的真实世界的数据集的效力和效率。
2019年英国大选期间的垃圾新闻和信息共享
原文标题： Junk News & Information Sharing During the 2019 UK General Election
地址： http://arxiv.org/abs/2002.12069
作者： Nahema Marchal, Bence Kollanyi, Lisa-Maria Neudert, Hubert Au, Philip N.Howard
摘要： 今天，估计大约政治和公共生活中的英国公众获取信息，75％的网上，40％通过社交媒体这样做。有了这个背景下考虑，我们研究了在筹备阶段到2019年英国大选社会化媒体的信息共享模式，并要求：（1）什么样的政治新闻和信息为社交媒体用户分享在Twitter上提前投票？ （2）它是如何的多是极端的，煽情的，或者见垃圾消息？ （3）有多少公众参与做了这些网站在Facebook上获得了前几个星期，（4）什么是最常见的叙事和主题中继由垃圾新闻媒体
建模作者对物理学期刊引用动态影响力的多层网络方法
原文标题： A multi-layer network approach to modelling authorship influence on citation dynamics in physics journals
地址： http://arxiv.org/abs/2002.12147
作者： Vahan Nanumyan, Christoph Gote, Frank Schweitzer
摘要： 我们提供给由不同耦合层的网络的增长模式的一般框架。我们的目的是估计一个这样的层上的其他人的动力学的影响。作为应用，我们研究一个科学计量网络，其中一个层由出版物节点和引用作为链接的，而第二层表示作者。这使解决问题的作家的特点，比如他们的出版物或以前的共同作者的数量，影响一个新的出版物的引用动态的数量如何。为了测试这个影响不同的假设，我们的模型综合引证成分以不同的方式的社会成分。然后，我们评估其在九个不同的物理学期刊再现引文动力学性能。为此，我们开发了统计参数估计和模型选择是适用于日益增长的多层次网络的一般方法。这需要两个参数误差和模型的复杂性考虑在内，计算效率高，可扩展的大型网络。
边corona积用于建模复杂单形网络
原文标题： Edge corona product as an approach to modeling complex simplical networks
地址： http://arxiv.org/abs/2002.12219
作者： Yucheng Wang, Yuhao Yi, Wanyue Xu, Zhongzhi Zhang
摘要： 许多图产品已应用于产生与真实世界的系统中观察到显著的性能复杂的网络。在本文中，我们通过反复使用边电晕产品提出了单纯网络的简单生成模型。我们目前的网络模型的结构特性，包括度分布，直径，聚类系数，以及集团规模的分布，获得这些相应的数量，这同意的行为在不同的实际网络中找到明确的表述进行了全面分析。此外，我们得到了所有的特征值和特征上，我们得到明确的公式为混合时间，平均击球时间和生成树数量的归一化拉普拉斯矩阵及其相关的多重性，基于精确表达式。因此，通过其他的图产品作为产生以前的型号，我们的模型也是正好可解的一个，它的结构特性可以分析处理。更有趣的是，我们的模型谱的表情也被准确地确定，这是鲜明的对比以前的型号，其谱只能在最递归给出。这种优势使我们的模型一个很好的测试床和一个理想的底层网络的研究动态过程，特别是密切相关的归一化拉普拉斯矩阵的谱，以发现单纯结构对这些过程的影响。
自适应社会网络信息传播动力学
原文标题： Information Spreading Dynamics on Adaptive Social Networks
地址： http://arxiv.org/abs/2002.12237
作者： Chuang Liu, Nan Zhou, Xiu-Xiu Zhan, Gui-Quan Sun, Zi-Ke Zhang
摘要： 有一个在造型上跨多学科的社会网络信息传播目前越来越大的兴趣。大多数相应的研究都集中在信息传播独立，忽略扩散过程的网络演进。因此，更合理的网络拓扑结构和信息状态之间的协同演化来形容真正的扩散系统。在这项工作中，我们提出了考虑状态信息和网络拓扑结构的同时演化的机制，其中，信息传播是作为一个SIS程序执行和网络拓扑演进基于自适应假设。基于马尔可夫方法的理论分析，用仿真非常一致。这两种模拟结果和理论分析表明，自适应过程，其中个人通知会重新连接知情邻居之间的联系，以随机的非邻节点，可以增强信息传播（导致更广泛的传播）。此外，我们获得了，对于自适应网络中，即，信息扩散存在两个阈值，如果该信息传播概率小于第一阈值，信息不能扩散，并立即死亡出来;如果传播概率是所述第一和第二阈值之间，将信息传播到的有限范围内，并逐步消亡;并且如果传播概率大于所述第二阈值时，信息将扩散到人口的网络中的某些尺寸。这些结果可能阐明理解信息扩散和网络拓扑之间的共同演化的一些光。
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.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。