- 符号图注意网络;
- NetSMF：大规模网络嵌入作为稀疏矩阵分解;
- 2018年选举和拉美裔;
- 人群水平流行病观测的网络推断;
- 用于混沌系统预测的物理知识回声状态网络;
- 论假新闻文章的连贯性;
符号图注意网络
原文标题： Signed Graph Attention Networks
地址： http://arxiv.org/abs/1906.10958
作者： Junjie Huang, Huawei Shen, Liang Hou, Xueqi Cheng
摘要： 图或网络数据在现实世界中无处不在，包括社会网络，信息网络，交通网络，生物网络和各种技术网络。图数据的非欧几里德性质给图数据的建模和分析带来了挑战。最近，图神经网络（GNN）被提出作为处理图数据任务的通用且强大的框架，例如节点嵌入，链路预测和节点分类。作为GNN的代表性实现，图注意网络（GAT）成功应用于真实数据集上的各种任务。但是，GAT设计用于仅具有正链接的网络，并且无法处理包含正链接和负链接的符号网络。在本文中，我们提出了符号图注意网络（SiGAT），将GAT推广到符号网络。 SiGAT将图模体结合到GAT中，以捕获符号网络研究中的两个众所周知的理论，即平衡理论和状态理论。在SiGAT中，模体为我们提供了灵活的结构模式，用于在符号网络上聚合和传播消息，以生成节点嵌入。我们通过将其应用于带符号链路预测任务来评估所提出的SiGAT方法。三个真实数据集的实验结果表明，SiGAT优于基于特征的方法，网络嵌入方法和最先进的基于GNN的方法，如符号图卷积网络（SGCN）。
NetSMF：大规模网络嵌入作为稀疏矩阵分解
原文标题： NetSMF: Large-Scale Network Embedding as Sparse Matrix Factorization
地址： http://arxiv.org/abs/1906.11156
作者： Jiezhong Qiu, Yuxiao Dong, Hao Ma, Jian Li, Chi Wang, Kuansan Wang, Jie Tang
摘要： 我们研究了大规模网络嵌入的问题，旨在学习网络挖掘应用的潜在表示。先前的研究表明，1）流行的网络嵌入基准，例如DeepWalk，实质上隐含地将具有封闭形式的矩阵分解，并且2）这种矩阵的显式分解产生比现有方法更强大的嵌入。然而，直接构造和分解这个密集的矩阵 - 在时间和空间方面都非常昂贵，使得它不能扩展到大型网络。在这项工作中，我们提出了大规模网络嵌入算法作为稀疏矩阵分解（NetSMF）。 NetSMF利用谱稀疏化的理论有效地稀疏上述密集矩阵，从而显著提高嵌入式学习的效率。稀疏矩阵在谱上接近原始密集矩阵，具有理论上有界的近似误差，这有助于保持学习嵌入的表示能力。我们在各种规模和类型的网络上进行实验。结果表明，在流行的基准测试和基于因子分解的方法中，NetSMF是实现高效率和有效性的唯一方法。我们表明，NetSMF只需要24小时就可以为拥有数千个节点的大规模学术协作网络生成有效的嵌入，而DeepWalk会花费数月时间，而且对于密集矩阵分解解决方案而言，计算上是不可行的。 NetSMF的源代码是公开的（https://github.com/xptree/NetSMF）。
2018年选举和拉美裔
原文标题： The 2018 Elections and Latinos
地址： http://arxiv.org/abs/1906.10736
作者： Claudia Flores-Saviaga, Saiph Savage
摘要： 鉴于拉美裔社区是美国第二大族群，了解拉丁美洲人在美国大选期间如何讨论和针对社交媒体是至关重要的。本文通过对Reddit的数据分析来探讨这些问题，Reddit是政治讨论中最着名和最受欢迎的社交媒体平台之一。我们从2017年9月24日到2018年9月24日收集了提及拉丁美洲和美国中期选举的Reddit帖子。我们分析了人们随着时间推移的帖子模式，以及发布大部分内容和最受欢迎内容的个人的数字痕迹。我们的研究强调了在美国中期选举之前围绕拉丁美洲人的在线讨论中存在的数据空白。我们观察到缺乏中立的演员参与拉丁美洲的政治话题。似乎是更极端主义的声音（即在次级国内经营的人，他们认为自己是政治巨魔）正在创造关于拉丁美洲人的最政治内容。我们在结束报告时讨论了数据空洞的可能危险（特别是关于它们与错误和虚假信息的关系）以及增加拉丁裔社区参与未来美国选举的建议。
人群水平流行病观测的网络推断
原文标题： Network Inference from Population-Level Observation of Epidemics
地址： http://arxiv.org/abs/1906.10966
作者： F. Di Lauro, J.-C. Croix, M. Dashti, L. Berthouze, I.Z. Kiss
摘要： 网络范式被广泛接受为建模复杂系统的黄金标准，如大脑中的流行病或神经元活动;但是，在大多数情况下，这种动态展开的网络的确切性质是未知的。这推动了大量的网络推理工作。虽然大量的工作涉及基于详细的节点级时态数据推断网络结构，但在这项工作中，我们解决了当只有人口级时间发生率数据可用时推断底层网络家族的更具挑战性的情况。一个关键的障碍是随之而来的随机流行病模型的高度维度。为了解决这个问题，我们通过出生 - 死亡过程来估计网络上的易感染易感（SIS）模型，其过程编码基础网络的结构和疾病动态。使用系统模拟，我们提出了这些速率的简约（三参数）模型，并显示不同的已知网络系列映射到该模型的参数空间的不同区域。该结果提供了不同网络族的先验表征。然后，给定人口级别的时间流行病数据，我们使用贝叶斯分类器来推导不同网络家族的后验分布。我们表明，在合成和真实网络上进行测试时，所提出的方法可以产生出色的结果。我们的框架可以很容易地扩展到许多网络系列和传播过程，它可以从人口级数据中提供网络推理的新基准。
用于混沌系统预测的物理知识回声状态网络
原文标题： Physics-Informed Echo State Networks for Chaotic Systems Forecasting
地址： http://arxiv.org/abs/1906.11122
作者： Nguyen Anh Khoa Doan, Wolfgang Polifke, Luca Magri
摘要： 我们提出了一个物理知识的回声状态网络（ESN）来预测混沌系统的演化。与传统的ESN相比，物理知识的ESN经过培训，可以解决监督学习任务，同时确保他们的预测不会违反物理定律。这是通过在ESN训练期间引入额外的损失函数来实现的，其在不需要任何额外训练数据的情况下惩罚非物理预测。这种方法在混沌Lorenz系统上得到证明，与常规ESN相比，物理知识ESN通过大约两个Lyapunov时间改善了可预测性范围。所提出的框架显示了使用机器学习结合先前物理知识来改进混沌动力系统的时间精确预测的潜力。
论假新闻文章的连贯性
原文标题： On the Coherence of Fake News Articles
地址： http://arxiv.org/abs/1906.11126
作者： Iknoor Singh, Deepak P, Anoop K
摘要： 新闻和在线媒体来源中假新闻的产生和传播正在成为一种具有高度社会意义的现象。使用数据驱动的分析来对抗它们已经吸引了最近的学术兴趣。在这项研究中，我们分析假新闻文章与合法新闻文章的文本连贯性。我们利用自然语言处理和数据科学中最先进的方法，开发了三种文本连贯性的计算公式。然后分析来自具有伪造/合法文章标记的广泛不同领域的两个真实世界数据集的文本连贯性。我们观察到虚假和合法新闻文章在文本连贯性方面存在明显差异，与合法新闻文章相比，假新闻文章在连贯性方面的得分一直较低。虽然假冒新闻文章与合法文章相比的相对一致性缺陷构成了我们研究的主要观察，但我们分析了差异的几个方面，并概述了进一步探究的潜在途径。
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。