- 采取缓解措施来防止芝加哥ICU因COVID-19容量溢出的机会窗口;
- 快速多次流行病干预措施用于封城后适应：简单Covid-19模型的启示;
- COVID-19传播的网络结构和印度测试策略的缺陷;
- 通过挖掘多语言Twitter数据集了解对COVID-19政策的感知;
- COVID-19攻击率随城市规模增加;
- Moran过程中具有不同连接图的突变体和居民;
- 简单复形的高阶谱：重整化群方法;
- 在线社会网络中实现时间感知上下文感知深度信任预测;
- 尺度的变化：Twitter数据采样下的测量保真度;
- 高阶同步稳定性的多阶Laplacian框架;
- 智能停车：使用AI识别温哥华的停车效率低下;
- 人类驾驶的博弈模型及其在任意车道变更中的应用;
- 影响力最大化的解分布：三种算法方法的高级实验研究;
- 节点边协同演化的深度多属性图转换;
- 电力需求预测中的知识映射：科学计量学的见解;
- 基于arXiv概念网络中科学创新的嵌入技术和网络分析;
- 不对称的党派投票博弈;
- 熵量度里约热内卢都会区吸引力和社会经济复杂性;
- 全局思考，局部行动：关于非次模影响力最大化的最佳种子;
采取缓解措施来防止芝加哥ICU因COVID-19容量溢出的机会窗口
原文标题： Window of Opportunity for Mitigation to Prevent Overflow of ICU capacity in Chicago by COVID-19
地址： http://arxiv.org/abs/2003.09564
作者： Sergei Maslov, Nigel Goldenfeld
摘要： 我们使用针对SARS-CoV-2病毒拟合的最先进的计算机模拟，估计在新兴的COVID-19流行期间芝加哥ICU病床的需求增长。我们要解决的问题是：（1）芝加哥的ICU容量是否会被超过？如果是，超出了多少？ （2）强有力的缓解策略（如锁定或适当安置的避难所）是否可以防止容量溢出？ （3）何时应实施此类策略？我们的答案如下：（1）ICU容量可能被大量超出，可能是十倍。 （2）强有力的缓解措施有可能避免这种紧急情况，但是如果实施得太晚，即使这样也行不通。 （3）如果在4月1日之前采取了强有力的缓解措施，则可以控制COVID-19的增长，并且ICU的容量可能足够。实施强有力的缓解措施越早，成功的可能性就越大。在2020年4月1日前后，任何有力的缓解措施都不会避免紧急情况。在意大利，锁定发生得太迟了，死亡人数仍每2.3天翻一番。由于计算机模拟的内在不确定性，很难确定这个机会窗口的确切日期。但是，人们对该主要结论的存在充满信心，并将得出结论。我们的结论是，充分意识到了社会的权衡之后，就迅速避免了在芝加哥发生最坏情况的机会，但是直到下周才实施了强有力的缓解/锁定措施。如果错过了这个窗口，疫情将变得更糟，那么毕竟需要强有力的缓解/锁定措施，但为时已晚。
快速多次流行病干预措施用于封城后适应：简单Covid-19模型的启示
原文标题： On Fast Multi-Shot Epidemic Interventions for Post Lock-Down Mitigation: Implications for Simple Covid-19 Models
地址： http://arxiv.org/abs/2003.09930
作者： Michelangelo Bin, Peter Cheung, Emanuele Crisostomi, Pietro Ferraro, Connor Myant, Thomas Parisini, Robert Shorten
摘要： 英国政府最初的定时干预策略是一种打击Covid-19的手段，这与许多其他国家采用的政策形成了鲜明的对比，其他许多国家也采用了更为严格的社会隔离政策。我们在此注释中的目的是阐明这些政策之间的差异，并提出修改后的政策（用于锁定职位），以允许对Covid-19进行管理，同时又可以在一定程度上减少社会和经济活动。
COVID-19传播的网络结构和印度测试策略的缺陷
原文标题： Network structure of COVID-19 spread and the lacuna in India's testing strategy
地址： http://arxiv.org/abs/2003.09715
作者： Anand Sahasranaman, Nishanth Kumar
摘要： 我们对在印度传播的COVID-19网络进行了表征，发现传播速率为0.43，每日病例增长是由在国外感染该病毒的个人所驱动。我们探讨的问题是，这是否代表着指数衰减的动力学趋势，或者仅仅是印度测试策略的产物。测试很大程度上仅限于来自高风险国家的个人及其直接联系，这意味着该网络反映了来自有偏见的测试样本的积极认同。由于测试水平普遍较低，并且几乎没有针对社区传播的测试，因此存在很大的风险，即我们可能会错过实际爆发的性质。印度目前的案件处理量仍然很低，可能只有很短的时间可以采取行动，因此，印度应该积极，系统地扩大对社区传播的随机检测，包括对无症状病例的检测。这将有助于了解真实的传输特性，并为近期做出适当的计划。
通过挖掘多语言Twitter数据集了解对COVID-19政策的感知
原文标题： Understanding the perception of COVID-19 policies by mining a multilanguage Twitter dataset
地址： http://arxiv.org/abs/2003.10359
作者： Christian E. Lopez, Malolan Vasu, Caleb Gallemore
摘要： 这项工作的目的是探讨有关COVID-19大流行的流行论述以及为管理该流行所采取的政策。使用自然语言处理，文本挖掘和网络分析来分析与COVID-19大流行相关的推文的语料库，我们可以确定对大流行的常见反应以及这些反应随时间的变化。此外，从大流行的早期阶段开始，就如何通过Twitter传播信息和错误信息提出了见解。最后，这项工作介绍了从世界各地以多种语言收集的推文数据集，其历史可追溯至1月22日，当时全球已报告的COVID-19总数低于600。这项工作中提出的见解可以帮助面对未来大流行的决策者，引入的数据集可用于获取有价值的知识，以帮助缓解COVID-19大流行。
COVID-19攻击率随城市规模增加
原文标题： COVID-19 attack rate increases with city size
地址： http://arxiv.org/abs/2003.10376
作者： Andrew J Stier, Marc G. Berman, Luis M. A. Bettencourt
摘要： 当前爆发的新型冠状病毒疾病2019（COVID-19）对相互联系的人类社会构成了前所未有的全球健康和经济威胁。在开发疫苗之前，控制爆发的策略依赖于积极的社会疏远。这些措施在很大程度上断开了人类社会的社会网络结构，特别是在城市地区。在这里，我们估算了3月14日至3月19日美国城市中COVID-19的增长率和生殖数量，以揭示幂律与城市人口规模的比例关系。这意味着，COVID-19在大城市中的平均传播速度更快，此外，还意味着在不受控制的疫情中，预计会有更大比例的人口感染人口较多的城市地区。我们讨论了这些观察结果对控制COVID-19暴发的意义，强调需要在较大的城市中实施更积极的隔离政策，同时还要保留社会经济活动。
Moran过程中具有不同连接图的突变体和居民
原文标题： Mutants and Residents with Different Connection Graphs in the Moran Process
地址： http://arxiv.org/abs/1710.07365
作者： Themistoklis Melissourgos, Sotiris Nikoletseas, Christoforos Raptopoulos, Paul Spirakis
摘要： Lieberman等人研究的Moran过程。 [L05]是一个随机过程，用于模拟遗传突变在人群中的传播。在此过程中，将两种人口（即突变体和居民）的主体与图的顶点相关联。最初，只有一个顶点选择了u.a.r.是一个突变体，适应度 r> 0 ，而其他所有个体都是居民，适应度 1 。在每一步中，均以与其适应度成正比的概率选择一个人，并将其状态（突变或居住）传递给被选为美国的邻居。在本文中，我们首次引入并研究[L05]模型的一般化，方法是假设不同类型的个人通过不同的图感知人口，即居民的 G_R（V，E_R）和居民的 G_M（ V，E_M）代表突变体。在此模型中，我们研究了固定概率，即对于各种图对，最终只有突变体保留在种群中的概率。首先，我们将已知结果从原始的[L05]单图模型转移到我们的2图模型。其中，我们提供了对等温定理[L05]的推广，它为一对图具有与一对集团相同的固定概率提供了充分的条件。接下来，我们给出一个2人策略博弈过程视图，其中玩家收益对应于注视和/或灭绝概率。在这种情况下，我们尝试确定每个玩家的最佳反应，并提供证据表明集团对于两个玩家都是最有利的图。最后，我们研究了有效近似固定概率的可能性。我们表明，通常无法通过类似于[D14]的方法来近似任意一对图的固定概率。尽管如此，我们为突变图完成的特殊情况提供了FPRAS。
简单复形的高阶谱：重整化群方法
原文标题： The higher-order spectrum of simplicial complexes: a renormalization group approach
地址： http://arxiv.org/abs/2003.09143
作者： Marcus Reitz, Ginestra Bianconi
摘要： 网络拓扑是一个蓬勃发展的跨学科学科，与包括量子引力和大脑研究在内的不同学科有关。在网络拓扑中研究的离散拓扑对象是简单复形。简单复合体不仅通过考虑成对交互，而且还考虑了两个以上节点之间的多体交互来对网络进行泛化。高阶拉普拉斯算子是拓扑算子，它们描述简单复形上的高阶扩散，并构成捕获网络拓扑和动力学之间相互作用的自然数学对象。高阶上下拉普拉斯算子可以具有有限的谱维，表征了在单纯复形上扩散过程的长时间行为。在这里，我们提供了一个重归一化群论，用于计算两个确定性单纯形复合体模型的高阶谱维：Apollonian和伪分形单纯形复合体。我们表明，RG流受质量为零的固定点的影响，这确定了 m 且 m geq 0 的上拉普拉斯主义者的高阶谱维 d_S 。最后，我们讨论了如果考虑由“带有风味的网络几何”模型生成的单纯复形，则高阶上Laplacian的谱特性如何变化。这些简单复数是随机的，并且根据参数 beta 显示结构拓扑相变，这也反映在高阶Laplacian谱中。
在线社会网络中实现时间感知上下文感知深度信任预测
原文标题： Towards Time-Aware Context-Aware Deep Trust Prediction in Online Social Networks
地址： http://arxiv.org/abs/2003.09543
作者： Seyed Mohssen Ghafari
摘要： 信任可以定义为一种确定哪种信息来源可靠，我们应该与谁共享或我们应该从谁接受信息的措施。在线社会网络（OSN）上有多种信任应用程序，包括社交垃圾邮件发送者检测，虚假新闻检测，转发行为检测和推荐系统。信任预测是预测当前未连接的两个用户之间新的信任关系的过程。在信任的应用中，需要预测用户之间的信任关系。此过程面临许多挑战，例如用户指定的信任关系的稀疏性，信任的上下文意识以及信任值随时间的变化。本文分析了OSN中成对信任预测模型的最新技术。我们讨论了该领域的三个主要挑战，并提出了新颖的信任预测方法来应对这些挑战。我们首先关注于提出一种低级的用户表示形式，该表示形式将用户的性格特征作为附加信息纳入其中。然后，我们提出了一组上下文感知的信任预测模型。最后，通过考虑信任关系的时间依赖性，我们提出了一种动态的深度信任预测方法。我们设计并实现了五种成对信任预测方法，并使用从OSN收集的真实数据集对它们进行评估。实验结果证明，与其他最新的成对信任预测模型相比，我们的方法是有效的。
尺度的变化：Twitter数据采样下的测量保真度
原文标题： Variation across Scales: Measurement Fidelity under Twitter Data Sampling
地址： http://arxiv.org/abs/2003.09557
作者： Siqi Wu, Marian-Andrei Rizoiu, Lexing Xie
摘要： 对数据偏见的全面理解是缓解社交媒体研究中偏见的基石。本文深入介绍了Twitter数据采样在不同时间范围和不同主题（实体，网络和级联）上的影响。通过构建两个完整的tweet流，我们显示Twitter限速消息是对丢失tweet数量的准确度量。尽管采样率具有明显的时间变化，但我们发现具有统一速率的伯努利过程很好地近似了Twitter数据采样，并且它允许估计真实的实体频率并与观察到的采样数据进行排名。在网络分析方面，我们观察到用户标签二部图和转发网络中的重大结构变化。最后，我们测量转推级联。我们确定依赖推文到达时间和用户影响的信息传播模型的风险。这项工作引起了人们对由数据收集引起的社会数据偏差的关注，并提出了测量由抽样引入的系统偏差的方法。
高阶同步稳定性的多阶Laplacian框架
原文标题： A multi-order Laplacian framework for the stability of higher-order synchronization
地址： http://arxiv.org/abs/2003.09734
作者： Maxime Lucas, Giulia Cencetti, Federico Battiston
摘要： 耦合主体系统中同步的出现是物理学，生物学，计算机科学和神经科学中的关键现象。传统上，交互系统已被描述为网络，其中链接仅根据节点之间的成对影响来编码信息。但是，在许多系统中，单元之间的交互通常是在较大的组中进行的。最近的工作表明，振荡器之间存在高阶相互作用会严重影响新兴的动力学。但是，这些早期研究大多将他们的研究限于一次最多4个振荡器的相互作用，或者仅限于混合均匀的场景。在这里，我们提出了一个通用框架，使我们能够有效地研究所有可能阶次的高阶相互作用都考虑在内的振荡器群。为此，我们引入了一个多阶拉普拉斯算子，其谱决定了同步解决方案的稳定性。我们的框架在日益复杂的交互的三种结构上得到了验证。首先，我们研究了具有所有阶跃的所有相互作用的种群，对此我们可以以完全分析的方式得出系统的Lyapunov指数，并为此研究包括吸引性和排斥性相互作用的影响。其次，我们将多阶Laplacian框架应用于具有异质高阶交互作用的合成模型上的同步。最后，对于描述猕猴大脑连接体的真实数据集，我们仅将耦合振荡器的动力学与高阶和成对耦合进行了比较。两者合计，在这项工作中，我们强调了如实表示真实世界系统中相互作用的复杂性的重要性，提出了一个分析框架来表征具有高阶相互作用的耦合非线性系统中的紧急行为。
智能停车：使用AI识别温哥华的停车效率低下
原文标题： Smarter Parking: Using AI to Identify Parking Inefficiencies in Vancouver
地址： http://arxiv.org/abs/2003.09761
作者： Devon Graham, Satish Kumar Sarraf, Taylor Lundy, Ali MohammadMehr, Sara Uppal, Tae Yoon Lee, Hedayat Zarkoob, Scott Duke Kominers, Kevin Leyton-Brown
摘要： 路旁停车很方便，但有很多缺点：路旁停车位以其他道路用途为代价，例如交通车道，公交车道，自行车道或小公园；寻找停车位的驾驶员在很大程度上造成了交通拥堵，进而导致了温室气体的排放；安全性降低，这是由于以下事实：寻找地点的驾驶员比其他道路使用者更分散注意力，而且下车的人对骑自行车的人构成风险。当路边停车场在附近并且有剩余容量时，这些社会成本可能不值得支付。为了了解这在温哥华市中心的真实情况，我们使用人工智能技术来估算驾驶员在整个城市的街道上和街上停车所需的时间。对于路边停车，我们开发了（1）基于停车收费表和审计数据的逐块停车可用性的深度学习模型，以及（2）驾驶员在路边寻找地点的计算模拟。对于路外停车，我们开发了一个计算模拟，该模拟计算了驾驶员从其原始目的地开车到最近的城市拥有的路外地段，然后根据交通和车位占用数据排队等候的时间。最后，在两种情况下，我们还计算了驾驶员从停车位步行到原始目的地所花费的时间。我们将这些时间估计值与温哥华市中心每个街区和一天中的每个小时的目的地进行了比较。我们发现在很多地方，路外停车实际上可以节省驾驶员在街道上寻找地点的时间，而在路外停车的时间成本却很小的地方，则更多。识别这些区域为城市提供了机会，使其更有价值的路边空间重新用于社区友好型用途，从而更符合其交通目标。
人类驾驶的博弈模型及其在任意车道变更中的应用
原文标题： A Game-Theoretic Model of Human Driving and Application to Discretionary Lane-Changes
地址： http://arxiv.org/abs/2003.09783
作者： Jehong Yoo, Reza Langari
摘要： 在本文中，我们考虑了Stackelberg博弈论在轻度拥挤高速公路环境中对任意车道变换建模的应用。该模型的基本意图是参数化以捕获驾驶员的性情（攻击性或不专心），其目的是通过考虑人类驾驶员在道路上如何执行相同功能的方式来帮助开发自动驾驶汽车的决策策略。 （已在其他地方进行了报道。）但是，本文仅关注模型开发和相应的定性评估。通过与NHTSA 100车自然驾驶安全性数据进行比较的有限交通微观模拟，这可以在单元测试模拟以及批量模式下（即使用蒙特卡洛方法）完成。特别是，定性比较显示了所提出模型与人为决策的相对一致性，即根据驾驶员注意力不集中（或攻击性）产生的定性相似比例的碰撞和接近碰撞事故。虽然此结果本身并不能提供对所提议模型的真实定量验证，但它确实证明了所提议方法在对任意车道变更进行建模方面的效用，因此可能以与人类决策相一致的方式用于自动驾驶在路上制作。
影响力最大化的解分布：三种算法方法的高级实验研究
原文标题： The Solution Distribution of Influence Maximization: A High-level Experimental Study on Three Algorithmic Approaches
地址： http://arxiv.org/abs/2003.09816
作者： Naoto Ohsaka
摘要： 影响力最大化是社会影响力分析中最基本的算法问题之一。在过去的十年中，致力于开发有效的算法以最大程度地发挥影响力，因此识别``最佳''算法已成为一项艰巨的任务。在SIGMOD'17中，Arora，Galhotra和Ranu报告了11种现有算法的基准测试结果，并证明了没有一种最先进的技术可以在计算效率和解决方案质量之间取得最佳平衡。在本文中，我们报告了对三种成熟的影响力最大化算法的高级实验研究，这些方法被称为Oneshot，Snapshot和Reverse Impact Sampling（RIS）。与Arora等人不同，我们的实验方法设计得如此，我们可以检查随机解的分布，表征样本数与实际解质量之间的关系，并避免实现依赖。我们的主要发现如下：1.对于足够大的样本数，无论算法如何，我们都会获得唯一的解决方案。 2. Oneshot，Snapshot和RIS的平均解决方案质量以相同的速率提高，直至样本数量的尺度。 3. Oneshot比Snapshot需要更多的样本，并且Snapshot比RIS需要更少但更大的样本。我们讨论将Oneshot，Snapshot和RIS设置为相同精度时的时间效率。我们的结论是，只有在可用内存大小有限的情况下，Oneshot才适用。对于大型网络，RIS比Snapshot更有效。对于小型，低概率的网络，快照是首选。
节点边协同演化的深度多属性图转换
原文标题： Deep Multi-attributed Graph Translation with Node-Edge Co-evolution
地址： http://arxiv.org/abs/2003.09945
作者： Xiaojie Guo, Liang Zhao, Cameron Nowzari, Setareh Rafatirad, Houman Homayoun, Sai Manoj Pudukotai Dinakarrao
摘要： 从图像和语言翻译概括起来，图翻译旨在通过限制源域中的输入图来在目标域中生成图。最近，这个有前途的话题引起了越来越多的关注。现有的工作仅限于仅预测具有固定拓扑的图的节点属性，或者仅在不考虑节点属性的情况下仅预测图拓扑，但由于重大挑战，无法同时预测它们的两者：1）难以描述交互式，迭代式，以及节点和边的异步转换过程； 2）难以发现和保持预测图中节点和边之间的固有一致性。这些挑战阻止了用于联合节点和边属性预测的通用端到端框架，这是对现实世界应用程序的需求，例如物联网网络中的恶意软件限制以及结构到功能的网络转换。这些实际应用程序高度依赖手工制作和临时启发式模型，但无法充分利用大量的历史数据。在本文中，我们将此通用问题称为“多属性图转换”，并开发了一种无缝集成节点和边转换的新颖框架。新颖的边转换路径是通用的，这被证明是对现有拓扑转换模型的概括。然后，提出了一种基于非参数图拉普拉斯算子的谱图正则化方法，以学习和保持预测节点和边的一致性。最后，对合成和实际应用数据进行的大量实验证明了该方法的有效性。
电力需求预测中的知识映射：科学计量学的见解
原文标题： Knowledge Mapping in Electricity Demand Forecasting: A Scientometric Insight
地址： http://arxiv.org/abs/2003.10055
作者： Dongchuan Yang, Ju-e Guo, Jie Li, Shouyang Wang, Shaolong Sun
摘要： 电力需求预测在电力系统的运行和规划程序中以及在有关电力需求预测的出版物中逐年增加中起着根本性的作用。在本文中，我们使用Scientometric分析来分析20年来（1999-2018年）831篇Web of Science核心收藏中电力需求预测领域的现状和新兴趋势。本文采用统计描述，合作网络分析，关键词共现分析，共引分析，聚类分析和新兴趋势分析技术，给出了该领域最关键的国家，机构，期刊，作者和出版物，以及合作网络关系。 ，研究热点和新兴趋势。本文的结果可以为研究人员找出该领域的关键研究，新兴趋势和新发展提供有意义的指导和见解。
基于arXiv概念网络中科学创新的嵌入技术和网络分析
原文标题： Embedding technique and network analysis of scientific innovations emergence in an arXiv-based concept network
地址： http://arxiv.org/abs/2003.10289
作者： Serhii Brodiuk, Vasyl Palchykov, Yurij Holovatch
摘要： 新颖性是创新和发现的固有部分。这样的过程可以看作是新思想的出现，也可以看作是现有思想之间非典型联系的出现。这种联系的重要性暗示着通过在思想空间中通过网络或图表示来研究创新。在这样的表示中，图节点对应于相关的概念（想法），而两个节点之间的边表示相应的概念已在公共上下文中使用。在这项研究中，我们解决了有关是否有可能确定创新可能出现的现有概念之间的边的问题。为此，我们使用了记录良好的科学知识，包括2007年4月至2019年9月的120万份arXiv.org手稿。我们使用ScienceWISE.info平台为其提取相关概念。结合复杂网络科学中开发的方法和图嵌入，我们讨论了可能会出现创新的科学知识领域中边（链接）的可预测性。
不对称的党派投票博弈
原文标题： Asymmetric Partisan Voter Turnout Games
地址： http://arxiv.org/abs/2003.10313
作者： Cameron Guage, Feng Fu
摘要： 自从唐斯在1957年提出投票行为是非理性的以来，就提出了无数模型来解释投票并解释观察到的投票率模式。我们提出了一个模型，在这种模型中，党派人士在决定是否弃权选举时会同时考虑其投票的工具性利益和表达利益，并引入了大多数其他模型都不会考虑的不对称性。允许我们的选民学习过程，我们分析了在各种条件下合理的投票率状态。我们的模型预测与选民行为一致的比较静态。此外，放宽我们的一些初步假设可以消除我们的模型与经验选民行为之间的某些差异。
熵量度里约热内卢都会区吸引力和社会经济复杂性
原文标题： Entropy as a measure of attractiveness and socioeconomic complexity in Rio de Janeiro metropolitan area
地址： http://arxiv.org/abs/2003.10340
作者： Maxime Lenormand, Horacio Samaniego, Julio C. Chaves, Vinicius F. Vieira, Moacyr A. H. B. da Silva, Alexandre G. Evsukoff
摘要： 定义和测量整个城市环境中的空间不平等仍然是一项复杂而难以捉摸的任务，大型地理位置数据库的可用性不断提高，这已经变得很容易。在这项研究中，我们依靠手机数据集和基于熵的度量来衡量里约热内卢大都会区（巴西）某个位置的吸引力是否随访客居住地的多样性而变化。结果表明，通过熵衡量的给定位置的吸引力是该位置的社会经济状况的重要描述，因此可以用作复杂社会经济指标的替代指标。
全局思考，局部行动：关于非次模影响力最大化的最佳种子
原文标题： Think Globally, Act Locally: On the Optimal Seeding for Nonsubmodular Influence Maximization
地址： http://arxiv.org/abs/2003.10393
作者： Grant Schoenebeck, Biaoshuai Tao, Fang-Yi Yu
摘要： 我们研究了复杂的 r 传染影响最大化问题。在影响力最大化问题中，人们选择社会网络中固定数量的初始种子来最大化其影响力的传播。在 r 复杂感染模型中，如果网络中每个未感染的顶点至少具有 r 感染的邻居，则该顶点将被感染。在本文中，我们专注于一个名为随机分层模块模型的随机图模型，这是经过充分研究的随机模块模型的特例。当图不是特别稀疏时，特别是当每个边以概率 omega（n ^ -（1 + 1 / r））出现时，在某些温和的假设下，我们证明了最佳的播种策略是将所有种子放在一个社区中。这符合直觉，即在非亚模块级联模型中，将种子彼此靠近会产生协同作用。但是，这与亚模块级联模型（例如，独立级联模型和线性阈值模型）的直觉形成了鲜明的对比，在该模型中，附近的种子倾向于侵蚀彼此的效果。我们的关键技术是四个级联过程的新颖时间异步耦合。最后，我们证明了这种观察结果产生了多项式时间动态规划算法，如果每条边以 omega（n ^ -（1 + 1 / r））或 o（ n ^ -2）。
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。