- 种族隔离模式的复杂性;
- 增强基于图神经网络的欺诈检测器以对抗伪装欺诈者;
- 通过学术数据分析理解导师-学生的关系;
- 累积投票的位置加权聚类方法;
- VAIM：可视化分析以实现影响力最大化;
- 共享知识的诅咒：信息不完善的协调博弈中的递归信念推理;
- 基于相似度和基于GNN的链路预测方法的比较研究;
- 用于理解广告主意图和满意度的深度预测网络;
- PRINCIPIA：去中心化的同行评审生态系统;
- 图同构网络中的训练敏感性;
- 我们如何应对COVID-19大流行？通过Twitter视角分析印度人不断变化的情绪;
- 针对COVID-19开发AI解决方案时的注意事项、良好实践、风险和陷阱;
- 建模亲社会意识对COVID-19动态的影响：哥伦比亚的案例研究;
种族隔离模式的复杂性
原文标题： Complexity in patterns of racial segregation
地址： http://arxiv.org/abs/2008.08664
作者： Tomasz F. Stepinski, Anna Dmowska
摘要： 城市是复杂的系统，其复杂性通过其空间结构的分形性以及多种城市属性的幂律分布（尺度）来体现。在这里，我们报道了以前从未报道过的城市复杂性的表现-居住种族隔离模式的扩大。将城市的高分辨率种族网格划分为种族飞地，这些飞地是固定的种族组成部分。分析了美国41个城市的斑块区域和人口计数的经验PDF，以揭示这些变量具有幂律或近似幂律的分布。权力法适用于所有补丁的集合，各个城市的补丁以及仅限于特定种族类型的补丁。 1990年的面积/人口指数平均值为1.64 / 1.68，2010年的平均值为1.70 / 1.74。针对特定类型斑块的指数值有所不同，但从1990年到2010年有所下降。我们还进行了多重分形分析对由种族斑块形成的模体进行了分析，发现这些模体是单形的，其分形维数的平均值在0.94-1.81范围内，具体取决于种族类型和分析年份。种族斑块大小的幂律分布和种族模式的分形特征对种族隔离模型提出了可观察和可量化的约束。我们认为，依附优先的增长是导致观察到的种族隔离模式的合理机制。
增强基于图神经网络的欺诈检测器以对抗伪装欺诈者
原文标题： Enhancing Graph Neural Network-based Fraud Detectors against Camouflaged Fraudsters
地址： http://arxiv.org/abs/2008.08692
作者： Yingtong Dou, Zhiwei Liu, Li Sun, Yutong Deng, Hao Peng, Philip S. Yu
摘要： 近年来，图神经网络（GNN）已广泛应用于欺诈检测问题，它通过通过不同关系汇总节点的邻域信息来揭示节点的可疑性。但是，很少有先前的工作注意到欺诈者的伪装行为，这可能会妨碍聚合过程中基于GNN的欺诈检测器的性能。在本文中，我们基于最近的经验研究介绍了两种类型的伪装，即特征伪装和关系伪装。现有的GNN尚未解决这两个伪装，这导致它们在欺诈检测问题上的性能较差。另外，我们提出了一种新的模型，称为抗CAmouflage的GNN（CARE-GNN），以三个针对迷彩的独特模块来增强GNN聚合过程。具体而言，我们首先设计一种标签感知的相似性度量来找到信息丰富的相邻节点。然后，我们利用强化学习（RL）来找到要选择的最佳邻居数量。最后，将跨越不同关系的选定邻居聚合在一起。在两个真实世界的欺诈数据集上的综合实验证明了RL算法的有效性。拟议中的CARE-GNN也优于最新的GNN和基于GNN的欺诈检测器。我们将所有基于GNN的欺诈检测器集成为一个开源工具箱：https：//github.com/safe-graph/DGFraud。 CARE-GNN代码和数据集可在https://github.com/YingtongDou/CARE-GNN获得。
通过学术数据分析理解导师-学生的关系
原文标题： Understanding the Advisor-advisee Relationship via Scholarly Data Analysis
地址： http://arxiv.org/abs/2008.08743
作者： Jiaying Liu, Tao Tang, Xiangjie Kong, Amr Tolba, Zafer AL-Makhadmeh, Feng Xia
摘要： 导师-学生的关系由于其普遍性和必要性，在学术网络中非常重要。尽管人们越来越希望分析新移民的职业，但是顾问和顾问之间不同协作模式的结果仍然未知。本文的目的是找出顾问的学术特征与顾问在计算机科学领域的学术表现之间的相关性。通过定量分析和定性分析，我们发现随着顾问的学术年龄的增加，顾问的绩效经历了初期的增长，遵循的维持阶段以及最终的下降趋势。我们还发现了经验丰富的顾问可以提出熟练的建议的现象。我们从两个方面探讨这一结论：（1）在高学历顾问的指导下，被试的学术表现要优于其他人。 （2）高学历的顾问可以提高其顾问的h指数排名。这项工作为增进我们对顾问学术特征与顾问绩效之间关系的理解以及顾问选择提供了新见解。
累积投票的位置加权聚类方法
原文标题： Positionality-Weighted Aggregation Methods on Cumulative Voting
地址： http://arxiv.org/abs/2008.08759
作者： Takeshi Kato, Yasuhiro Asa, Misa Owa
摘要： 解决社会问题的问题是如何尊重少数群体的意见，而这些意见通常在多数多数规则中被忽略。为了在多元价值观上达成共识并在考虑少数群体意见的情况下做出社会选择，我们提出了一种汇总方法，该方法可以加权少数群体在基本累积投票中的地位。在二次投票和线性投票的基础上，我们制定了三种加权聚合方法，它们在票数对累计点数的比率以及少数人对所有成员的加权上有所不同，并假设票数分布遵循以下公式，计算了聚合结果的频率分布正态分布。从这些计算结果中，我们发现，在上述三种方法中的两种方法中，随着权重的按比例增加，少数群体的意见可能会得到反映。这意味着，森·戈托（Sen and Gotoh）考虑到不幸的人在序数等级上的社会地位的想法，是福利经济学在公理化方法下考虑的，是通过在基数投票中权衡少数群体的立场而体现出来的。另外，通过对汇总结果的分析，可以知道少数群体的数量和位置等内容。通过在建立共识的过程中以交互方式可视化提议的汇总方法的内容，对于增进多数和少数之间的相互理解将是有用的。随着信息技术的进一步发展，建立基于大数据的主要选择的共识是必要的。我们希望使用建议的汇总方法为多元价值（例如，社会，环境和经济）做出社会选择。
VAIM：可视化分析以实现影响力最大化
原文标题： VAIM: Visual Analytics for Influence Maximization
地址： http://arxiv.org/abs/2008.08821
作者： Alessio Arleo, Walter Didimo, Giuseppe Liotta, Silvia Miksch, Fabrizio Montecchiani
摘要： 在社会网络中，个人的决定在很大程度上受到其朋友和熟人推荐的影响。影响最大化（IM）问题要求选择一个使影响范围最大化的用户种子集，即受种子触发的随机扩散过程影响的预期用户数量。在本文中，我们介绍了VAIM，这是一个视觉分析系统，可支持用户分析由不同IM算法确定的信息传播过程。通过使用VAIM，人们可以：（i）在大型网络上模拟给定种子集的信息传播，（ii）分析和比较不同种子集的有效性，以及（iii）修改种子集以改善相应的影响范围。
共享知识的诅咒：信息不完善的协调博弈中的递归信念推理
原文标题： The Curse of Shared Knowledge: Recursive Belief Reasoning in a Coordination Game with Imperfect Information
地址： http://arxiv.org/abs/2008.08849
作者： Thomas Bolander, Robin Engelhardt, Thomas S. Nicolet
摘要： 常识是安全小组协作的必要条件。当无法获得常识时，人类通常会使用他们的能力来归因于信念和意图，以便推断出已知的事物。但是，这种共享的知识属性在深度上受到限制，因此很容易出现协调失败，因为任何有限阶的知识属性都可以提供更高阶的属性，这可能会更改谁知道的内容。在三个独立的实验中，我们研究了人类参与者（N = 802）在多大程度上能够识别公共知识和n阶共享知识之间的差异。我们使用具有不完善信息的新型两人协作博弈，该博弈能够将递归博弈结构和高阶不确定性转换为简单的日常设置。我们的结果表明，参与者很难接受这样一个事实，即公共知识无法还原为共享知识。取而代之的是，参与者即使在分享知识的最浅层深度也要进行协调，尽管付出了巨大的惩罚。
基于相似度和基于GNN的链路预测方法的比较研究
原文标题： A comparative study of similarity-based and GNN-based link prediction approaches
地址： http://arxiv.org/abs/2008.08879
作者： Md Kamrul Islam, Sabeur Aridhi, Malika Smail-Tabbone
摘要： 根据图的当前结构推断图中丢失的链接的任务称为链路预测。基于成对节点相似性的链路预测方法是文献中公认的方法。尽管它们具有启发性并且缺乏通用性，但它们在许多现实世界的图中均显示出良好的预测性能。另一方面，神经网络在各种领域中用于分类任务的成功促使研究人员在图中进行研究。当神经网络可以直接在图上运行时，则称为图神经网络（GNN）。 GNN能够从图中学习隐藏特征，这些隐藏特征可用于图中的链路预测任务。由于基于GNN的链路预测具有令人信服的高性能，因此它们引起了研究人员的广泛关注。该评估论文研究了均质图域中的一些相似性和基于GNN的链路预测方法，该方法由单一类型的（属性）节点和单一类型的成对链接组成。我们针对来自不同领域的具有不同属性的几个基准图评估研究方法。
用于理解广告主意图和满意度的深度预测网络
原文标题： A Deep Prediction Network for Understanding Advertiser Intent and Satisfaction
地址： http://arxiv.org/abs/2008.08931
作者： Liyi Guo, Rui Lu, Haoqi Zhang, Junqi Jin, Zhenzhe Zheng, Fan Wu, Jin Li, Haiyang Xu, Han Li, Wenkai Lu, Jian Xu, Kun Gai
摘要： 对于淘宝和亚马逊等电子商务平台而言，广告商在整个数字生态系统中扮演着重要角色：他们的行为明确影响用户的浏览和购物体验；更重要的是，广告客户的广告支出是平台收入的主要来源。因此，为广告商提供更好的服务对于电子商务平台的长期繁荣至关重要。为了实现此目标，广告平台需要在广告客户的营销意图和广告效果满意度方面对广告客户有深入的了解，基于此，可以进行进一步的优化以向广告客户提供正确的服务。在本文中，我们提出了一种新颖的深度满意度预测网络（DSPN），该模型可以同时对广告客户的意图和满意度进行建模。它采用两阶段网络结构，其中通过考虑广告商的行为信息和广告效果指标的特征来共同学习广告商的意图向量和满意度。在阿里巴巴广告数据集上进行的实验和在线评估表明，我们提出的DSPN优于最新的基准，并且在在线环境中具有AUC方面的稳定性能。进一步的分析表明，DSPN不仅可以准确地预测广告商的满意度，而且可以学习可解释的广告商意图，从而揭示了进一步优化广告效果的机会。
PRINCIPIA：去中心化的同行评审生态系统
原文标题： PRINCIPIA: a Decentralized Peer-Review Ecosystem
地址： http://arxiv.org/abs/2008.09011
作者： Andrea Mambrini, Andrea Baronchelli, Michele Starnini, Daniele Marinazzo, Manlio De Domenico
摘要： 同行评审是现代科学事业的基石。但是，越来越多的共识认为，当前的同行评审系统存在一些局限性，从缺乏激励评审者到缺乏透明度，都有可能损害其利益。在这里，我们介绍了PRINCIPIA（此http URL）框架，用于对科学成果（例如论文，赠款提案或专利）进行同行评审。该框架允许科学生态系统的主要参与者（包括现有的出版集团）通过建立免费的评论和出版物市场来创建和管理经同行评审的期刊。 PRINCIPIA的裁判根据他们的努力和评论的质量得到透明的奖励。 PRINCIPIA还自然地通过不依赖第三方的固有声誉系统来识别用户和期刊的声誉。 PRINCIPIA重新平衡了研究人员和出版商之间的力量，激发了裁判的宝贵评估，促进了期刊之间的公平竞争，并降低了获得研究成果和发表的成本。
图同构网络中的训练敏感性
原文标题： Training Sensitivity in Graph Isomorphism Network
地址： http://arxiv.org/abs/2008.09020
作者： Md. Khaledur Rahman
摘要： 图神经网络（GNN）是学习图的低维表示的一种流行工具。通过结合特定领域的功能，它促进了机器学习任务在图上的适用性。在GNN的实现中可以考虑用于基础过程的各种选项（例如优化功能，激活功能等）。但是，大多数现有工具仅限于一种方法，而无需任何分析。因此，这个新兴领域缺乏健壮的实现，而忽略了现实世界中图表的高度不规则结构。在本文中，我们尝试通过使用各种基准数据集研究各个模块的各种替代功能来填补这一空白。我们的经验结果表明，通常使用的基础技术并不总是能很好地从一组图中刻画总体结构。
我们如何应对COVID-19大流行？通过Twitter视角分析印度人不断变化的情绪
原文标题： How Have We Reacted To The COVID-19 Pandemic? Analyzing Changing Indian Emotions Through The Lens of Twitter
地址： http://arxiv.org/abs/2008.09035
作者： Rajdeep Mukherjee, Sriyash Poddar, Atharva Naik, Soham Dasgupta
摘要： 自疫情爆发以来，持续不断的COVID-19大流行给世界各地的生命和经济造成了空前的损失。截至2020年7月18日，世界卫生组织（WHO）报告已确诊的病例超过1300万，包括216个国家和地区的近60万例死亡。尽管采取了多项政府措施，印度已逐步升至大流行之后，成为仅次于美国和巴西的第三大受灾最严重的国家，从而在其公民中引起了广泛的焦虑和恐惧。随着世界上大多数人口继续局限于家中，越来越多的人开始依赖诸如Twitter之类的社交媒体平台表达对大流行的各个方面的感受和态度。随着人们对心理健康的关注日益增加，必须分析公共影响的动态，以预测任何潜在的威胁并采取预防措施。由于人脑的情感状态比微不足道的二元情感更细微差别，因此在此我们提出一种基于深度学习的系统，以从人们的推文中识别人们的情感。我们在用于多标签情感分类的两个基准数据集上取得了竞争性结果。然后，随着大流行继续蔓延，我们使用我们的系统来分析印度人之间情绪反应的演变。我们还研究了导致态度随时间变化的显著因素的发展。最后，我们讨论了进一步改善工作的方向，并希望我们的分析可以帮助更好地进行公共卫生监测。
针对COVID-19开发AI解决方案时的注意事项、良好实践、风险和陷阱
原文标题： Considerations, Good Practices, Risks and Pitfalls in Developing AI Solutions Against COVID-19
地址： http://arxiv.org/abs/2008.09043
作者： Alexandra Luccioni, Joseph Bullock, Katherine Hoffmann Pham, Cynthia Sin Nga Lam, Miguel Luengo-Oroz
摘要： COVID-19大流行一直是人类面临的主要挑战，截至2020年7月13日，已确认的病例为1270万[1]。在先前的工作中，我们描述了如何在分子，临床和社会规模上应用人工智能来应对大流行[2]。在当前的后续文章中，我们回顾了这三个研究方向，并评估了所使用方法的成熟度和可行性，以及它们的可操作性。我们还总结了一些常见的风险和实际陷阱，以及制定和部署不同规模AI应用程序的指南和最佳实践。
建模亲社会意识对COVID-19动态的影响：哥伦比亚的案例研究
原文标题： Modeling the effects of prosocial awareness on COVID-19 dynamics: A case study on Colombia
地址： http://arxiv.org/abs/2008.09109
作者： Indrajit Ghosh
摘要： 由SARS-CoV-2病毒（一种具有高度传染性的病毒）引起的持续的COVID-19大流行影响了地球上的大多数国家。 COVID-19正在给公共卫生组织造成障碍，并影响着人类生活的几乎每个方面。它已成为一种流行病，全世界已确诊的感染超过2200万，死亡人数超过75万。在没有有效药物或现成疫苗的情况下，数学模型可能有助于探索COVID-19的传播动力学和控制。在这项研究中，我们考虑了具有亲社会意识效应的COVID-19传播的数学模型。所提出的模型可以基于不同的参数条件而具有四个平衡状态。该系统具有无意识，无疾病的平衡，该平衡是局部渐近稳定的。还研究了该平衡的整体稳定性条件。基本再现数 R_0 是使用下一代矩阵方法计算的。使用Lyapunov函数理论和LaSalle不变性原理，在某些参数条件下，DFE全局显示为渐近稳定。提出了无意识，地方均衡和地方均衡的存在。我们已经校准了我们建议的模型参数，以适应每天的病例和哥伦比亚的死亡人数。使用估计的参数，我们评估了暴发期间亲社会意识的影响，并将此策略与流行的控制措施进行了比较。
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。