- 全球制药业的药物流程多层网络分析;
- 从树中选择替代历史;
- 基于邻居信息的网络分解概率算法;
- 使用图神经网络进行主数据管理链路预测;
- 功能连接模型中分层网络组织的持久性和涌现的拓扑;
- 使用内容和活动特点基于机器学习方法检测Twitter抑郁症;
- 一个开源的面向API的无监督图学习Python框架;
- 网络上的采样：估计谱中心性的度量及其对评估其他相关网络度量的影响;
全球制药业的药物流程多层网络分析
原文标题： Multilayer Network Analysis of the Drug Pipeline in the Global Pharmaceutical Industry
地址： http://arxiv.org/abs/2003.04620
作者： Hiromitsu Goto, Wataru Souma, Mari Jibu, Yuichi Ikeda
摘要： 一般情况下，开放式创新是行业内靠创新，如医药行业，这也被称为知识密集型产业利润丰厚的研究课题。然而，药物管线在全球经济中小型企业级内的动态仍令人担忧。为了揭示医药创新的实际情况，研究知识的功能基于与药物产品线，全球供应链，并拥有数据所作出的多层网络上药管道许可人和被许可人之间流动。因此，我们的研究结果表明成熟的相似之处之间在药物管道供应链之间，一般同意医药创新与其他行业，如人工智能产业合作情况的知识流动。
从树中选择替代历史
原文标题： Choosing among alternative histories of a tree
地址： http://arxiv.org/abs/2003.04378
作者： Gábor Timár, Rui A. da Costa, Sergey N. Dorogovtsev, José F. F. Mendes
摘要： 一个不断发展的网络的结构包含了过去的信息。有效地提取这些信息，但是，在一般情况下，一个艰巨的挑战。我们制定一个快速，估计种植树木的最可能的历史，基于求根精确的结果有效的方法。我们证明了我们的算法产生精确的逐步最可能的历史在一大类的树木生长模型。我们的配方是能够处理非常大的树木，因此使我们能够做出关于根推理和历史重建中种植树木的可能性可靠的数值意见。我们得到通式 langle LN mathcal N rangle 聪Ñ LN N - CN 对于给定树的可能的历史的平均对数数的大小依赖性，其用量应在很大程度上决定了树历史的reconstructability。我们还揭示了一个不确定性原理：根的inferrability之间以及完整的历史的关系，表明在这两个任务之间的权衡;根和完整的历史不能同时在同一时间高精度地推断。
基于邻居信息的网络分解概率算法
原文标题： Neighborhood Information-based Probabilistic Algorithm for Network Disintegration
地址： http://arxiv.org/abs/2003.04713
作者： Qian Li, San-Yang Liu, Xin-She Yang
摘要： 许多现实世界的应用程序可以模拟复杂的网络，而这种网络包括互联网，传染病网络，交通网络，电网，蛋白质折叠结构等。网络的完整性和耐用性是很重要的，以确保关键的网络保护，不需要有害的网络可以被拆除。网络结构和完整性可以由一组关键节点来控制，并且找到的节点的最优组合的网络中，以确保网络结构和完整性可以是一个NP完全问题。尽管进行了广泛的研究，现有的方法有很多局限性，仍有许多未解决的问题。本文提出了一种基于邻近地区的信息和节点重要性概率的方法，即，邻近地区的信息为基础的概率算法（NIPA）。我们还定义了一个新的基于核心地位，重要性度量（IM），它结合了每个目标节点和两跳节点信息的邻居节点的贡献率。我们提出的NIPA已经过测试，不同的网络标准和与其他三种方法比较：最佳攻击策略（OAS），高介第一（HBF）和高度第一（HDF）。实验表明，所提出的NIPA是所有四种方法中最有效的。在一般情况下，NIPA可以找出最关键的节点组合具有更高的效能，并设定最佳的关键节点发现我们提出的NIPA是启发式的中心性预测比小得多。此外，许多以前被忽视的弱连接的节点都认定，成为新发现的最佳节点的重要组成部分。因此，建议对修订后的保护战略，以确保网络完整性的保障。另一个关键问题和未来的研究课题进行了讨论。
使用图神经网络进行主数据管理链路预测
原文标题： Link Prediction using Graph Neural Networks for Master Data Management
地址： http://arxiv.org/abs/2003.04732
作者： Balaji Ganesan, Gayatri Mishra, Srinivas Parkala, Neeraj R Singh, Hima Patel, Somashekar Naganna
摘要： 学习n元关系数据的图表示有许多现实世界的应用，如反洗钱，欺诈检测，风险评估等图神经网络已经被证明是有效的预测与很少或没有节点的功能链接。虽然链路预测存在许多数据集，其特点是从现实世界的应用相当大的不同。在实体和关系的时间信息往往是不可用的。我们引进了10子图，20912个节点，67564个联系，70个属性和9种关系类型的新数据集。我们还提出新的改进图模型，以适应他们的工业规模应用。
功能连接模型中分层网络组织的持久性和涌现的拓扑
原文标题： Persistence of hierarchical network organization and emergent topologies in models of functional connectivity
地址： http://arxiv.org/abs/2003.04741
作者： Ali Safari, Paolo Moretti, Ibai Diez, Jesus M. Cortes, Miguel Ángel Muñoz
摘要： 功能网络提供在大脑的活动模式拓扑描述，因为它们从活动的突触连接，其具有一个分层组织的解剖或结构网络上的传播干。虽然假设结构网络塑造它们的功能的对应，还假设大脑活动的变化可能会与功能连接的转换，并且可能其偏离分级拓扑。在该计算研究中，我们介绍一种新颖的方法来监控分层顺序的在功能网络的持久性和击穿，从合成的和真正的结构connectomes扩频活动的模拟生成。我们表明，分层连接是具有最佳处理能力和正常脑功能（格里菲斯相）和向下的状态，从这个政权，往往与病理状况相关偏离断裂相关的准关键政权持久。我们的研究结果提供最佳的神经计算架构和流程，这是能够活动和信息流的调整模式的研究提供重要线索，并演示如何分层拓扑及其准关键的功能性对应提供本地专业加工和全球之间的有效平衡积分。
使用内容和活动特点基于机器学习方法检测Twitter抑郁症
原文标题： Machine Learning-based Approach for Depression Detection in Twitter Using Content and Activity Features
地址： http://arxiv.org/abs/2003.04763
作者： Hatoon S. AlSagri, Mourad Ykhlef
摘要： 社会化媒体渠道，如Facebook，Twitter和Instagram的，已经永远地改变了我们的世界。现在，人们越来越多地连接比以往任何时候，揭示一种数字人的。尽管社交媒体确实有几个显著的特点，的弊端是不可否认的为好。近期的研究表明社交媒体网站和增加抑郁症的高使用量之间的相关性。本研究的目的是利用基于这两个，他/她的网络行为和鸣叫机器学习用于检测可能郁闷的Twitter用户的技术。为此，我们训练和测试的分类来区分用户是否被按下不使用从他/她在网络和微博活动中提取的特征。结果表明，更多的功能的使用，较高的是在检测用户按下的准确性和F值的分数。这种方法对于早期发现抑郁症或其他精神疾病的一个数据驱动的，可预测的方法。这项研究的主要贡献是特征的探索部分，其在检测到抑郁程度的影响。
一个开源的面向API的无监督图学习Python框架
原文标题： An API Oriented Open-source Python Framework for Unsupervised Learning on Graphs
地址： http://arxiv.org/abs/2003.04819
作者： Benedek Rozemberczki, Oliver Kiss, Rik Sarkar
摘要： 我们提出空手道俱乐部一个Python框架相结合，可以解决无监督的机器学习任务30余国家的最先进的图挖掘算法。封装的主要目的是让社区发现，节点和全图嵌入提供给广大受众的机器学习研究者和实践者。我们设计空手道俱乐部有一个一致的应用程序接口，可扩展性，易用性上强调，盒模型的行为合理的，标准化的数据集摄入和输出产生。本文讨论了实际的例子此框架背后的设计原则。我们发现相对于上广泛的现实世界中的聚类问题，分类任务，并与问候竞争速度的支持证据学习表演空手道俱乐部的工作效率。
网络上的采样：估计谱中心性的度量及其对评估其他相关网络度量的影响
原文标题： Sampling on networks: estimating spectral centrality measures and their impact in evaluating other relevant network measures
地址： http://arxiv.org/abs/2003.04823
作者： Nicolò Ruggeri, Caterina De Bacco
摘要： 我们如何进行抽检影响的几个相关的网络措施的估计的广泛分析。特别是，我们专注于抽样策略如何优化，以恢复特定的谱中间值的影响等拓扑量。我们的目标是一方面以延长TCEC [Ruggeri2019]中，特征向量中心估计理论上接地采样方法的行为的分析。在另一方面，更广泛地采样如何影响像比一个旨在优化，群落结构和节点属性分配不同的中心性措施相关的网络特性的评价论证。最后，我们适应TCEC背后的PageRank的核心地位的情况下，理论框架，并提出旨在优化其估计的采样算法。我们表明，虽然理论推导可以适当地适于覆盖这种情况下，相比于特征向量中心情况下，需要进一步的近似高的计算复杂度将所得算法受到影响。
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。