- 通过单一最优解进行快速图学习;
- 反向深度游走：从嵌入到图;
- 信息熵提炼作为人类顺序决策的一种随机机制;
- 用于图上结构表示的基于个体的熵测度;
- 降低大规模社会网络计算复杂度的图抽样方法;
- 基于图表示的社会网络分析分类法;
- 2020年的社交机器人和社交媒体操纵：年度回顾;
- 在Facebook上优先处理原始新闻;
- 在开源环境中实现基于实用程序的需求优先级;
- Twitter粉丝网络的大规模研究，以表征处方药滥用推文的传播;
- 智慧城市中的BLE信标：应用，挑战和研究机会;
- 社会纽带的形成影响食物选择：一项校园范围的纵向研究;
- 随机游走中一维卷积的图学习;
- 扩散框架中的超图拉普拉斯算子;
- 擦除网络中的及时广播：年龄比率的权衡;
通过单一最优解进行快速图学习
原文标题： Fast Graph Learning with Unique Optimal Solutions
地址： http://arxiv.org/abs/2102.08530
作者： Sami Abu-El-Haija, Valentino Crespi, Greg Ver Steeg, Aram Galstyan
摘要： 图表示学习（GRL）以前所未有的速度发展。但是，许多结果依赖于对体系结构，目标和培训方案的精心设计和调整。我们提出有效的GRL方法，以已知的封闭形式解决方案优化凸目标。确保收敛到全局最佳状态，使从业人员摆脱了超参数和体系结构调整。尽管如此，我们提出的方法在流行的GRL任务上实现了竞争性或最先进的性能，同时提供了数量级的加速。尽管我们目标的设计矩阵（ mathbf M ）的计算成本很高，但我们利用随机矩阵理论的结果在线性时间内近似求解，同时避免了对 mathbf M 的显式计算。我们的代码在线：此http URL
反向深度游走：从嵌入到图
原文标题： DeepWalking Backwards: From Embeddings Back to Graphs
地址： http://arxiv.org/abs/2102.08532
作者： Sudhanshu Chanpuriya, Cameron Musco, Konstantinos Sotiropoulos, Charalampos E. Tsourakakis
摘要： 低维节点嵌入在分析图数据集中起关键作用。但是，很少有工作确切地研究流行的嵌入方法对哪些信息进行编码，以及该信息如何与下游机器学习任务中的性能相关联。我们通过研究嵌入是否可以反转以（近似）恢复用于生成嵌入的图来解决这个问题。针对流行的DeepWalk方法的一种变体（Perozzi等人，2014; Qiu等人，2018），我们提出了精确嵌入反演的算法-即从图G的低维嵌入中，我们可以找到一个图H具有非常相似的嵌入。我们在现实世界的网络上进行了许多实验，观察到有关G的重要信息（例如特定的边和诸如三角形密度的体积属性）经常在H中丢失。但是，社区结构通常得到保留甚至增强。我们的发现是朝着更加严格的理解的方向迈进的一步，即准确地理解信息嵌入对输入图的编码方式，以及为什么此信息可用于学习任务。
信息熵提炼作为人类顺序决策的一种随机机制
原文标题： Informational entropy refinement as a stochastic mechanism for sequential decision-making in humans
地址： http://arxiv.org/abs/2102.08802
作者： Javier Cristín, Vicenç Méndez, Daniel Campos
摘要： 虽然人们通常认为感知决策是由证据累积模型（例如漂移扩散）控制的，但在驱动更困难的情况（需要对未来情景进行预测）的机制上，很大程度上仍然未知。在这里，实验和计算证据支持一种机制，该机制可以通过对相应的香农熵S 的内部估计来使用与每个可用选择相关的未来可能的回报。因此，一旦 S 达到阈值（确保选择足够可靠），就会触发该决策。我们使用一项任务说明了这个想法，在该任务中，受试者必须顺序地通过计算机屏幕上的迷宫导航，同时避免轨迹重叠，从而迫使他们使用我们通过眼动追踪间接刻画的记忆和预期技能。通过将实验数据与虚拟（理想）受试者的实验数据进行比较，我们可以验证观察到的人类表现以及决策时间的分布与上述机制兼容。
用于图上结构表示的基于个体的熵测度
原文标题： Ego-based Entropy Measures for Structural Representations on Graphs
地址： http://arxiv.org/abs/2102.08735
作者： George Dasoulas, Giannis Nikolentzos, Kevin Scaman, Aladin Virmaux, Michalis Vazirgiannis
摘要： 由于图神经网络（GNN）的出现，对图结构数据的机器学习吸引了很高的研究兴趣。大多数提出的GNN基于同构节点，即相邻节点共享相似的特征。但是，在许多复杂的网络中，位于图的遥远部分的节点具有相同的结构特征并表现出相似的作用（例如，分子中遥远原子的化学性质，社会网络用户的类型）。越来越多的文献提出了确定结构上等效节点的表示形式。但是，大多数现有方法需要很高的时间和空间复杂度。在本文中，我们提出了一种VNEstruct，这是一种基于邻域拓扑的熵测度的简单方法，用于生成低维结构表示，该表示具有时间效率并且对图扰动具有鲁棒性。根据经验，我们观察到VNEstruct在结构角色识别任务上表现出鲁棒性。此外，与GNN竞争对手相比，VNEstruct可以在图分类上实现最新的性能，而无需在优化中纳入图结构信息。
降低大规模社会网络计算复杂度的图抽样方法
原文标题： Graph Sampling Approach for Reducing Computational Complexity of Large-Scale Social Network
地址： http://arxiv.org/abs/2102.08881
作者： Andry Alamsyah, Yahya Peranginangin, Intan Muchtadi-Alamsyah, Budi Rahardjo, Kuspriyanto
摘要： 在线社会网络服务为人类社交互动提供了平台。如今，许多类型的在线互动都产生了大规模的社会网络数据。网络分析有助于从网络内部参与者之间的关系中挖掘知识和模式。这种方法对于支持许多实际应用中的预测和决策过程很重要。社会网络分析方法学借鉴了图论的方法，它提供了多种指标，使我们能够测量网络的特定属性。某些度量标准计算在构建时就没有考虑可扩展性，因此计算量很大。在本文中，我们提出了一种图抽样方法来减少社会网络的规模，从而减少计算操作。在每个选定的图属性上，介绍了使用边随机采样，节点随机采样和随机游动的自然图采样策略之间的性能比较。我们发现图采样策略的性能取决于所测量的图属性。
基于图表示的社会网络分析分类法
原文标题： Social Network Analysis Taxonomy Based on Graph Representation
地址： http://arxiv.org/abs/2102.08888
作者： Andry Alamsyah, Budi Rahardjo, Kuspriyanto
摘要： 当前的社会网络分析研究有三种方法：图表示，内容挖掘和语义分析。图表示法已用于分析社会网络拓扑，结构建模，联系强度，社区检测，群体凝聚力可视化和指标计算。本文基于图的表示提供了社会网络分析的分类法。
2020年的社交机器人和社交媒体操纵：年度回顾
原文标题： Social Bots and Social Media Manipulation in 2020: The Year in Review
地址： http://arxiv.org/abs/2102.08436
作者： Ho-Chun Herbert Chang, Emily Chen, Meiqing Zhang, Goran Muric, Emilio Ferrara
摘要： 2020年将因两个具有全球意义的事件而被铭记：COVID-19大流行和2020年美国总统大选。在本章中，我们总结了有关这些问题的大型公共Twitter数据集的最新研究。我们有三个主要目标。首先，在结合计算研究和社会科学研究的传统时，我们概述了认识论和实践考虑。当先进的社会理论与对正在进行的事件的具体及时报告之间的利害关系重大时，应取得明智的平衡。我们还评论了从大量社交媒体数据中收集见解的计算挑战。其次，我们围绕COVID-19大流行和2020年美国总统大选的论述来描述社交机器人在社交媒体操纵中的作用。第三，我们将2020年与往年的结果进行比较，以注意到，尽管机器人帐户仍然为回声腔的出现做出了贡献，但从国家资助的运动到国内新兴的失真源也有转变。此外，公共卫生问题可能会因政治倾向而混淆，尤其是来自散布错误信息的地方行动者社区。我们得出的结论是，自动化和社交媒体操纵给健康，民主的话语带来了问题，这恰恰是因为它们扭曲了公共领域内多元化的代表。
在Facebook上优先处理原始新闻
原文标题： Prioritizing Original News on Facebook
地址： http://arxiv.org/abs/2102.08465
作者： Xiuyan Ni, Shujian Bu, Igor Markov
摘要： 这项工作概述了我们如何优先处理原始新闻，这是新闻质量的关键指标。通过在我们的社交媒体平台上检查新闻发布的格局和生命周期，我们确定了构建和部署创意评分的挑战。我们采用基于归一化PageRank值和三步聚类的方法，并每小时刷新一次分数以刻画在线新闻的动态。我们描述了一种近乎实时的系统架构，评估了我们的方法，并将其部署到生产中。我们的经验结果验证了各个组成部分，并显示了对原始新闻进行优先级排序可以增加用户对新闻的参与度并改善专有的累积指标。
在开源环境中实现基于实用程序的需求优先级
原文标题： Towards Utility-based Prioritization of Requirements in Open Source Environments
地址： http://arxiv.org/abs/2102.08638
作者： Alexander Felfernig, Martin Stettinger, Müslüm Atas, Ralph Samer, Jennifer Nerlich, Simon Scholz, Juha Tiihonen, Mikko Raatikainen
摘要： 诸如Eclipse之类的开源项目中的需求工程面临着必须以某种程度或不引人注目的方式为各个贡献者确定需求优先级的挑战。与传统的工业软件开发项目相比，开放源代码平台中的贡献者可以自行决定下一步要实现哪些需求。在这种情况下，优先级划分的主要作用是支持贡献者确定下一步将要执行的最相关和最有趣的需求，从而避免耗时且效率低下的搜索过程。在本文中，我们展示了如何在常规以及开源需求工程场景中使用基于实用程序的优先级排序方法来支持贡献者。作为开源环境的示例，我们使用Bugzilla。在这种情况下，我们还将展示在基于实用程序的优先级排序过程中如何考虑依赖关系。
Twitter粉丝网络的大规模研究，以表征处方药滥用推文的传播
原文标题： A Large-Scale Study of the Twitter Follower Network to Characterize the Spread of Prescription Drug Abuse Tweets
地址： http://arxiv.org/abs/2102.08661
作者： Ryan Sequeira, Avijit Gayen, Niloy Ganguly, Sourav Kumar Dandapat, Joydeep Chandra
摘要： 在本文中，我们对Twitter追随者网络进行了大规模研究，其中约有42万用户为DA辩护，以表征DA推文在整个网络中的传播。我们的观察结果表明，存在一个非常庞大的巨型组件，其中99％的用户具有密集的本地连接性，从而促进了此类消息的传播。我们进一步确定了网络上的活动级联，并观察到DA推文的级联通过几个紧密联系的用户组的参与而散布在很长的距离上。此外，我们的观察还揭示了一种集体现象，涉及大量活动边节点（具有少量跟随者和跟随者）以及少量连接良好的非边节点，这些节点共同协作以实现这种传播，从而可能使传播复杂化。阻止这种级联的过程。此外，我们发现用户在某些药物（例如Vicodin，Percocet和OxyContin）方面的参与是即时的，这是即时的。另一方面，对于被较少提及的毒品（例如Lortab），随着此类推文的曝光率增加，参与概率也变高，从而表明Twitter上的吸毒者仍然很容易采用新药，从而使问题进一步恶化。
智慧城市中的BLE信标：应用，挑战和研究机会
原文标题： BLE Beacons in the Smart City: Applications, Challenges, and Research Opportunities
地址： http://arxiv.org/abs/2102.08751
作者： Petros Spachos, Konstantinos Plataniotis
摘要： 物联网有助于使每个人与周围环境相互连接，并通过智能设备与他们互动。近年来，由于蓝牙低功耗（BLE）技术在众多无线设备中的可用性，已在智能基础设施，医疗领域，零售行业以及许多其他领域变得非常流行。 BLE广泛用于智能手机，智能手表和BLE信标等物联网设备。信标是一种小型，低成本，低功耗的无线发射器，它们通过定期广播带有唯一标识符的信号来引起人们的注意。 BLE信标是从邻近市场营销到室内导航的许多智能城市应用的有前途的解决方案。但是，它们确实带来了安全和隐私挑战。这项工作讨论了BLE信标的特性，可以从中受益的应用以及它们在试图确定研究机会和未来方向时所面临的挑战。
社会纽带的形成影响食物选择：一项校园范围的纵向研究
原文标题： Formation of Social Ties Influences Food Choice: A Campus-Wide Longitudinal Study
地址： http://arxiv.org/abs/2102.08755
作者： Kristina Gligorić, Ryen W. White, Emre Kıcıman, Eric Horvitz, Arnaud Chiolero, Robert West
摘要： 营养是长期健康的关键决定因素，长期以来，人们一直认为社会影响是营养的关键决定因素。由于研究规模通常较小且持续时间较短，因此难以通过传统方法（如调查）来量化社会影响对营养的假定作用。为了克服这些限制，我们利用了新颖的数据源：在8年的时间内，在洛桑联邦理工大学（EPFL）大学校园内购买了3,800万份食品，并通过用来制作智能手机的匿名卡链接到匿名个人。 -校园购买。在一项纵向观察性研究中，我们问：与自己饮食选择健康与不健康的其他人一起吃饭会影响一个人的饮食选择吗？为了从被动观察到的对数数据中估计因果关系，我们在匹配的准实验设计中控制了混杂因素：我们识别出首先没有常规饮食伴侣但随后开始与固定伴侣定期进食的重点人群，将用户分成比较对，以使成对的用户在获取伴侣之前所测得的协变量几乎相同，这是两个主要用户的新饮食伙伴在各自食物选择的健康程度上有所不同。对配对数据进行的差异分析清楚地表明了社会影响力：与获取不健康饮食伙伴的重点用户相比，获得健康饮食伙伴的重点用户将其习惯向健康食品的改变明显更大。我们进一步确定那些购买频率受饮食伙伴的食物选择健康程度显著影响的食物。除主要结果外，该研究还证明了被动获取食物的记录在获取洞察力方面的作用，并具有为公共卫生干预措施和食物提供设计提供信息的潜力。
随机游走中一维卷积的图学习
原文标题： Graph Learning with 1D Convolutions on Random Walks
地址： http://arxiv.org/abs/2102.08786
作者： Jan Toenshoff, Martin Ritzert, Hinrikus Wolf, Martin Grohe
摘要： 我们提出CRaWl（随机游走的CNN），这是一种用于图学习的新型神经网络体系结构。它基于处理由标准1D CNN随机游走引起的小子图的序列。因此，CRaW1从根本上不同于典型的消息传递图神经网络体系结构。它的灵感来自于对小子图进行计数的技术，例如小图核和基序计数，并将它们与基于随机游走的技术相结合，构成了高效且可扩展的神经体系结构。我们通过经验证明，CRaWl在用于图学习的众多基准数据集上匹配或优于最新的GNN架构。
扩散框架中的超图拉普拉斯算子
原文标题： Hypergraph Laplacians in Diffusion Framework
地址： http://arxiv.org/abs/2102.08867
作者： Mehmet Emin Aktas, Esra Akbas
摘要： 网络是用于对发生交互的复杂系统进行建模的重要结构。在基本网络模型中，实体表示为节点，而它们之间的交互和关系表示为边。但是，在复杂的系统中，我们不能将所有关系描述为成对相互作用，而应描述为高阶相互作用。超图已成功用于建模复杂系统中的高阶交互。在本文中，我们提出了两个基于扩散框架的超图Laplacian。我们的拉普拉斯算子考虑了高阶相互作用之间的关系，因此不仅可以用于顶点之间的超图扩散，还可以用于建模高阶结构上的扩散。这些Laplacian可以用于超图上的不同网络挖掘问题，例如超图上的社会传染模型，对超图的影响研究以及超图分类等。
擦除网络中的及时广播：年龄比率的权衡
原文标题： Timely Broadcasting in Erasure Networks: Age-Rate Tradeoffs
地址： http://arxiv.org/abs/2102.08926
作者： Xingran Chen, Renpu Liu, Shaochong Wang, Shirin Saeedi Bidokhti
摘要： 在具有反馈的分组擦除广播信道中研究了时效性和速率效率之间的相互作用。提出了一种调度框架，在该框架中，与用户相反，对编码动作进行了调度，以在信息的速率和使用期限（AoI）之间获得所需的权衡。这种权衡通过AoI的上限（取决于目标速率约束）和两个下限来形式化：一个作为通信速率的函数，另一个是到达速率的函数。仿真结果表明，（i）编码即使在没有速率限制的情况下，也可以在中等到达速率的情况下降低AoI，并且受益随着用户数量的增加而增加；（ii）在目标速率限制和到达时，AoI都增加当两者保持固定时的比率，但当它们设置为相等时，比率随它们降低。
声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，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。