- 持久消息传递;
- 美国COVID-19爆发期间人类活动和社会人口统计学的时空影响;
- 交通网络中沿途选路的自适应策略;
- 跨学科研究人员在资金筹措方面取得了更好的成绩;
- 趋势警报：跨平台组织如何在印度大选中操纵Twitter趋势;
- 人口流动性可预测性的社会和非社会来源的对比;
- 使用网络科学和机器学习工具识别墨西哥的逃税行为;
持久消息传递
原文标题： Persistent Message Passing
地址： http://arxiv.org/abs/2103.01043
作者： Heiko Strathmann, Mohammadamin Barekatain, Charles Blundell, Petar Veličković
摘要： 图神经网络（GNN）是用于对算法推理过程和数据结构进行建模的强大归纳偏差。他们的才能主要表现在具有马尔可夫动力学特性的任务上，其中查询任何关联的数据结构仅取决于其最新状态。但是，对于许多感兴趣的任务，支持依赖于先前状态的有效数据结构查询可能会非常有益。这需要跟踪数据结构随时间的演变，给GNN的潜在表示形式带来巨大压力。我们引入了持久消息传递（Persistent Message Passing，PMP），该机制通过显式持久化GNN来查询过去的状态：它不覆盖节点表示，而是在需要时创建新的节点。 PMP在动态时间范围查询中将分发超出了2倍的较大测试输入，这大大优于覆盖状态的GNN。
美国COVID-19爆发期间人类活动和社会人口统计学的时空影响
原文标题： Spatiotemporal impacts of human activities and socio-demographics during the COVID-19 outbreak in the U.S
地址： http://arxiv.org/abs/2104.12875
作者： Lu Ling, Xinwu Qian, Satish V. Ukkusuri, Shuocheng Guo
摘要： 理解影响因素对于监测和预防传染病至关重要，并且随着疾病的进展，这些因素可能会在空间和时间上发生变化。以美国在2019年冠状病毒病（COVID-19）爆发期间的每日病例和死亡数据为案例研究，我们开发了流动性增强的地理和时间加权回归（M-GTWR）模型，以量化社会网络在时空上的影响人口因素和人类活动对COVID-19动态的影响。与基本的GTWR模型不同，我们合并了移动性调整后的距离权重矩阵，除空间邻接外，还使用旅行移动性来刻画局部观测值之间的相关性。模型残差表明，所提出的模型在解决时空非平稳性方面比其他基准方法有了实质性的改进。我们的结果表明，社会人口统计学和人类活动变量的影响呈现出显著的时空异质性。特别是，人口密度增加1％可能导致每日的病例和死亡增加0.63％和0.71％，平均通勤时间增加1％可能导致每天的病例和死亡增加0.22％和0.95％。尽管总体上人类活动的增加通常会加剧疾病的爆发，但我们报告说，在人口密度高的地区，杂货店和药房相关活动的影响微不足道。并且发现在工作场所和公共交通中的活动会增加或减少病例和死亡人数，具体取决于特定的位置。我们的研究结果建立了定量框架，用于识别疾病暴发期间的影响因素，并且所获得的见解可能对指导针对传染病的政策制定具有重要意义。
交通网络中沿途选路的自适应策略
原文标题： Adaptive strategies for route selection en-route in transportation networks
地址： http://arxiv.org/abs/2104.13066
作者： T. S. Tai, C. H. Yeung
摘要： 我们研究了车辆在交通运输网络中进行路线选择时所采用的自适应策略。通过研究二维元胞自动机模型，我们对车辆进行了建模，该车辆的特征是称为路径贪婪性的参数，该参数对应于它们通过最短路径到达目的地的趋势。根据当地的交通状况更新每辆车辆的路径贪婪性，以使车辆在非拥挤的区域内通过较短的路径行驶，或者在拥挤的区域内探索较长的转向路径。我们发现，触发路径贪婪更新的最佳步骤数取决于车辆的密度，并且路径贪婪增量的大小会影响系统的宏观交通状况。为了更好地协调密集网络中的车辆，应该逐步减少车辆通过较短路径行驶的趋势。
跨学科研究人员在资金筹措方面取得了更好的成绩
原文标题： Interdisciplinary researchers attain better performance in funding
地址： http://arxiv.org/abs/2104.13091
作者： Ye Sun, Giacomo Livan, Athen Ma, Vito Latora
摘要： 在解决高度互连的世界中的复杂问题时，跨学科研究至关重要，并且在全球范围内正在兴起。然而，目前还不清楚为什么在竞争日益激烈的学术环境中，鉴于最近的负面报道，人们应该追求跨学科的职业。确实有几项研究表明，与更专业的工作相比，跨学科研究的效果通常较低，并且不太可能吸引资金。我们试图通过分析英国七个国家研究委员会在2006年至2018年之间授予的44,419项研究资助的数据集来调和此类证据。我们将具有跨学科资金往绩记录的研究人员的研究表现与具有专业背景的研究人员进行了比较。我们发现，就集中度和知识中介而言，前者在学术合作网络中占主导地位。但是这种竞争优势不会立即转化为影响。确实，通过配对实验设计，我们发现，平均而言，跨学科交叉研究的研究人员在短期内对出版物的影响要小于主题专家，但无论从数量还是从数量上，最终他们的表现都超过了他们。价值。我们的结果表明，开展跨学科的职业可能需要更多的时间和毅力来克服额外的挑战，但可以为更成功的事业铺平道路。
趋势警报：跨平台组织如何在印度大选中操纵Twitter趋势
原文标题： Trend Alert: How a Cross-Platform Organization Manipulated Twitter Trends in the Indian General Election
地址： http://arxiv.org/abs/2104.13259
作者： Maurice Jakesch, Kiran Garimella, Dean Eckles, Mor Naaman
摘要： 世界各地的政治组织都在不断创新其对社交媒体技术的使用。在这里，我们记录了用于操纵2019年印度大选中Twitter趋势的技术和组织形式的新颖配置。组织者依靠广泛的WhatsApp小组网络来协调松散关联的政治支持者的大量帖子。调查活动中，我们加入了支持印度人民党，赢得大选的右翼政党600多个政治团体的WhatsApp。我们发现了75个主题标签操纵活动的直接证据，包括动员消息和预写推文列表。我们估计了这些活动的规模，以及它们是否成功创建了受控的社交媒体叙述。我们证明，这些活动规模小于媒体报道所建议的范围；尽管如此，他们还是依靠松散的支持者的声音可靠地产生了Twitter趋势。这种新颖的竞选活动是由中央控制但自愿参与的，它使关于合法使用数字工具进行政治参与的辩论变得更加复杂。它可能已经为在大众支持下的一方参与性媒体操纵提供了一个蓝图。
人口流动性可预测性的社会和非社会来源的对比
原文标题： Contrasting social and non-social sources of predictability in human mobility
地址： http://arxiv.org/abs/2104.13282
作者： Zexun Chen, Sean Kelty, Brooke Foucault Welles, James P. Bagrow, Ronaldo Menezes, Gourab Ghoshal
摘要： 社会结构影响着各种人类行为，包括行动方式，但是一个人的运动在多大程度上可以预测另一个人的运动仍然是一个悬而未决的问题。此外，有关个人流动性的潜在信息可能同时存在于社会和非社会纽带的流动模式中，这是一个尚未解决的区别。在这里，我们建立了一个“代管”网络，以将自我的社会纽带的流动性模式与非社会代言人的流动性模式区分开，这些非社会性的代币不是与自我有社会联系的人，但仍与自我同时到达某个位置。我们使用熵和可预测性度量来分析和限制个人流动模式的预测信息以及来自其最高社会纽带和来自非社会同伴的信息流。虽然社会纽带通常提供比非社会纽带更多的信息，但我们发现非社会纽带的聚合中存在大量信息：3-7位纽带可以提供与顶级社会纽带一样多的预测信息，并且代币可以替代与自我相关的社交联系可以取代多达94％的自我预测能力，而有关自我的预测信息占85％。非社交活动主持人中存在预测性信息引起了隐私方面的担忧：随着智能手机实时移动轨迹的可用性不断提高，共享数据的个人可能不仅在提供有关其自身动向的可行信息，而且还提供其数据缺失的其他人的动向，无论是已知的还是未知的个人。
使用网络科学和机器学习工具识别墨西哥的逃税行为
原文标题： Identifying tax evasion in Mexico with tools from network science and machine learning
地址： http://arxiv.org/abs/2104.13353
作者： Martin Zumaya, Rita Guerrero, Eduardo Islas, Omar Pineda, Carlos Gershenson, Gerardo Iñiguez, Carlos Pineda
摘要： 自2014年以来，墨西哥一直保留所有应税交易的电子记录.2015年1月至2018年12月之间，墨西哥联邦政府收集的匿名数据包括8000万以上的捐款人（个人和公司）以及每月近70亿的捐款人发票总额。数据包含将近一万名已被确认为逃税者的清单，这是因为他们的活动是为不存在的产品或服务开具发票，从而使接收者可以逃税。利用这个庞大的数据集，我们建立每月和每年的时间网络，其中节点是贡献者，有向链接是在给定时间段内生成的发票。探索避税者周围网络社区的属性，我们发现它们的交互模式与大多数贡献者的交互模式不同。特别是，逃税者与其客户之间的发票循环被过度代表。有了这种见识，我们使用两种机器学习方法将其他贡献者归类为逃税嫌疑人：深度神经网络和随机森林。我们用逃税者清单中的一部分训练每种方法，并用其余方法进行测试，两种方法都获得0.9以上的准确性。通过使用完整的贡献者数据集，每种方法都对10万多名逃税嫌疑人进行了分类，而两种方法都对4万多名嫌疑人进行了分类。通过关注与已知逃税者的网络距离较近的嫌疑人，我们进一步减少了嫌疑人的数量。因此，我们获得了一个高度可疑的贡献者列表，这些列表按逃税额排序，为当局进一步调查墨西哥的非法税收活动提供了宝贵的信息。通过我们的方法，我们估计大约有1万名贡献者每年大约100亿美元的偷税漏税现象未被发现。
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。