- 网络属性和混合对流行病模型中控制措施和疾病的群体免疫的影响：均值模型;
- COVID-19下的私人来源移动数据;
- 表征CoViD-19的传播;
- 监控物理距离以进行人群管理：实时轨迹和群组分析;
- 关于“传染病的尾部风险”的科学评论;
- 随机图的顺序度量维度;
- 社会影响力何时提升人群智慧;
- 权力、偏爱和赞助：天主教主教、社会网络和前红衣主教麦卡里克的事;
- 使用高压力现实生活环境的社会力量模型参数测试和优化;
- 使用多个高阶的网络模型预测图中的遍历节点序列;
- 电动汽车共享系统中的车队规模和充电器分配;
- 节点复制可防止图神经网络拓扑攻击;
- 学习大规模动态社会网络中的隐藏影响：一种基于数据的稀疏性方法;
- 疏散现象的微观动力学;
- ReAD：基于动态划分的区域异常检测框架;
- 基于强化学习方法的乘车系统多目标车辆再平衡;
- H-VGRAE：动态网络中鲁棒异常检测的分层随机时空嵌入方法;
- 电网中无标度停电尺寸的出现;
- 数据驱动的在线课程任务完成序列的建模和表征;
- 网络极化;
- 新闻和博客中金融科技术语的动态变化以及金融科技行业公司的专业化;
网络属性和混合对流行病模型中控制措施和疾病的群体免疫的影响：均值模型
原文标题： The impact of network properties and mixing on control measures and disease-induced herd immunity in epidemic models: a mean-field model perspective
地址： http://arxiv.org/abs/2007.06975
作者： Francesco Di Lauro, Luc Berthouze, Matthew D. Dorey, Joel C. Miller, István Z. Kiss
摘要： 人群的接触结构在感染传播中起重要作用。许多“结构化模型”通过底层网络或混合矩阵捕获了接触结构的各个方面。在此类模型中的一个重要观察结果是，一旦感染了一部分 1-1 / mathcal R _0 ，剩余的易感人群将不再能够继续流行。最近对某些结构化模型的观察结果是，该阈值可以与一小部分受感染的个体交叉，因为该疾病的作用类似于目标疫苗，优先免疫在传播中发挥更大作用的高风险个体。因此，一旦取消干预措施，有限的``第一波''可能会留下无法支持第二波的剩余人口。在本文中，我们系统地分析了网络和其他结构化人群的许多均值模型，以解决与Covid-19大流行相关的问题。特别是，我们在几种情况下考虑了牛群免疫。我们确认，在具有高度异质性的网络中，与具有较低异质性的同等模型相比，第一波赋予牛群免疫的感染明显更少。但是，如果将干预建模为联系网络中的变化，则这种影响可能会变得更加微妙。实际上，修改结构可以保护高连接节点免于在第一波浪潮中被感染，并使第二波浪潮更为严重。我们通过使用年龄参数化的隔间模型和真实数据进行参数化，并比较作为混合矩阵的全局尺度或特定年龄的结构变化而实施的锁定期，来证实这一发现。我们发现有关畜群免疫力水平的结果在很大程度上取决于模型，锁定的持续时间以及锁定的实现方式。
COVID-19下的私人来源移动数据
原文标题： Private Sources of Mobility Data Under COVID-19
地址： http://arxiv.org/abs/2007.07095
作者： Raquel Pérez Arnal, David Conesa, Sergio Alvarez-Napagao, Toyotaro Suzumura, Martí Català, Enric Alvarez, Dario Garcia-Gasulla
摘要： COVID-19大流行以前所未有的方式和不可预测的方式改变着世界。人口流动是这种变化的中心，它是病毒传播的最大推动力。为了研究流动性的变化，评估流动性限制政策的效率，并促进更好地应对可能的未来危机，我们需要适当地了解所有可供使用的流动性数据源。我们的工作致力于研究由大型科技公司收集和发布的私人出行资源。该数据特别受关注，因为与大多数公共资源不同，该数据关注的是人员，而不是运输工具。即，其度量单位是西方社会中最接近一个人的东西：电话。此外，它们所涵盖的社会样本是庞大而具有代表性的。另一方面，由于匿名原因，无法直接访问此类数据。因此，正确解释其模式需要谨慎。意识到这一点，我们着手在西班牙的背景下探索私人出行数据来源的行为和相互关系。由于该国大流行高峰期快，而且实施了持续的普遍封锁，因此该国代表了良好的实验环境。我们发现私人流动性来源既相关又互补。使用它们，我们可以评估已实施政策的效率，并深入了解西班牙的新常态意味着什么。
表征CoViD-19的传播
原文标题： Characterizing the spread of CoViD-19
地址： http://arxiv.org/abs/2007.07156
作者： Dean Karlen
摘要： 自从流行开始以来，就公开了CoViD-19病例，住院治疗和世界各地死亡的每日报告。本文介绍了一种使用基于离散时间差方程的新型种群建模框架，以相对较长的恒定传播速率来表征疾病传播的广泛特征的方法。选择比较参数是因为它们对模型假设的依赖性很弱。介绍了它们的点和间隔估计方法，这些方法考虑了案例数据中的其他方差源。这些方法为使用公开可用数据定量评估变更对社会疏远政策的影响提供了基础。例如，使用此框架分析了安大略省和德国的数据。德国病例数据显示，自2020年5月6日放宽封锁规则以来，传播率略有增加。通过结合德国的病例和死亡数据，可以估算出从感染到死亡的时间的平均值和标准差。
监控物理距离以进行人群管理：实时轨迹和群组分析
原文标题： Monitoring physical distancing for crowd management: real-time trajectory and group analysis
地址： http://arxiv.org/abs/2007.06962
作者： Caspar A. S. Pouw, Federico Toschi, Frank van Schadewijk, Alessandro Corbetta
摘要： 物理距离（作为遏制Covid-19扩散的一种措施）正在定义“新常态”。除非属于一个家庭，否则要求共享空间中的行人遵守最小的（视国家而定）成对距离。连贯地，公共场所的管理者可以被赋予执行或监视该约束的任务。由于在公共场所对行人动态进行隐私保护的实时跟踪已成为一个日益增长的现实，因此很自然地可以利用这些工具来分析对物理距离的遵守情况并比较人群管理措施的有效性。典型的问题是：“在何种情况下非家庭成员侵犯了社会隔离？”，“是否有屡犯者？”和“如何执行新的人群管理措施？”。值得注意的是，与大批人群打交道，例如在火车站，计算迅速地变得充满挑战。在这项工作中，我们有两个目标：首先，我们提出一个有效且可扩展的分析框架，以通过稀疏图处理离线或实时的行人跟踪数据。该框架有效地解决了上述所有问题，通过向量加权图连接表示行人与人之间的互动。在此基础上，我们可以以符合隐私权的方式解散远距离犯罪者及其家人。其次，我们对荷兰火车平台中的相互距离和暴露时间进行了详尽的分析，通过物理观测值将径向坐标和前Covid数据与当前数据进行比较，作为径向分布函数。这种方法的多功能性和简便性是为了分析公共交通设施中的人群管理措施而开发的，能够解决超出实际距离的问题，例如，对群体的隐私保护以及对他们的运动方式的分析。
关于“传染病的尾部风险”的科学评论
原文标题： Scientific comment on "Tail risk of contagious diseases"
地址： http://arxiv.org/abs/2007.06876
作者： Alvaro Corral
摘要： Cirillo和Taleb [自然物理学报。 16，606-613（2020）]就死亡人数研究了人类历史上主要流行病的规模。从雅典瘟疫（公元前429年）到COVID-19（2019-2020年）的72种流行病的数字，他们声称最终的死亡人数分布是``极度肥胖的尾部''，即渐近幂法。随着死亡分布的平均值变得无限大，这对风险具有重要的影响。重新分析相同的数据，我们发现，尽管数据可能与幂律尾部兼容，但这些结果不是结论性的，并且其他分布（未加尾部）也可以很好地解释数据。对数正态分布随机变量的仿真提供了其统计数据与经验数据的统计数据无法区分的合成数据。
随机图的顺序度量维度
原文标题： Sequential metric dimension for random graphs
地址： http://arxiv.org/abs/1910.10116
作者： Gergely Odor, Patrick Thiran
摘要： 在图上的本地化博弈中，目标是找到一个固定的但未知的目标节点 v ^ star ，并尽可能减少距离查询的次数。在博弈的 j ^ th 步骤中，玩家查询单个节点 v_j ，并接收节点 v_j 和 v ^ star 之间的距离作为其查询的答案。顺序度量维度（SMD）是玩家无论目标在哪里，都需要绝对确定地猜测目标的最少查询数。术语SMD源自度量标准维度（MD）的相关概念，可以与SMD定义相同的方式，只是玩家的查询是非自适应的。在这项工作中，我们将ardiv：1208.3801在Erd H o s-R 'enyi图的MD上的结果扩展到SMD。我们发现，在连通的Erd H o s-R 'enyi图中，MD和SMD是一个常数因子。对于下限，我们结合了为MD开发的工具和新颖的耦合论证，进行了简洁的分析。对于上限，我们显示了一种贪婪地最小化每个步骤中候选目标数量的策略，它在Erd H o s-R 'enyi图中使用渐近最优查询。讨论了与源代码本地化，图上的二进制搜索和生日问题的联系。
社会影响力何时提升人群智慧
原文标题： When social influence promotes the wisdom of crowds
地址： http://arxiv.org/abs/2006.12471
作者： Abdullah Almaatouq, M. Amin Rahimian, Abdulla Alhajri
摘要： 群体是否以及在什么条件下表现出``人群智慧''一直是整个社会科学和计算科学领域的研究重点。这项工作大部分集中在社会影响力在促进人群智慧与引导人群误入歧途方面的作用，导致关于社会网络结构如何决定社会影响力的结论相互矛盾。在这里，我们证明了单独考虑网络结构还不够。通过理论分析，数值模拟和对四个实验数据集（总计4,002 人类受试者）的重新分析，我们发现人群的智慧关键取决于（i）社会影响力网络的集中化与（ii）分布之间的相互作用初始的，单独的估计，即估计上下文。具体来说，我们提出了一种估计上下文的功能，该功能可衡量人群从影响集中化中受益的适合性，并凭经验展示其重要的预测能力。通过采用一种将社会影响力的结构与估计上下文相结合的框架，我们将先前相互矛盾的结果置于一个理论框架下，并阐明了社会影响力对人群智慧的影响。
权力、偏爱和赞助：天主教主教、社会网络和前红衣主教麦卡里克的事
原文标题： Power, Preferment, and Patronage: Catholic Bishops, Social Networks, and the Affair(s) of Ex-Cardinal McCarrick
地址： http://arxiv.org/abs/2007.06606
作者： Stephen Bullivant, Giovanni Radhitio Putra Sadewo
摘要： 社会网络分析（SNA）为传统上光顾赞助，偏爱和对等义务的文化提供了强有力的启示。因此，我们在这里认为天主教会中的主教任命，文化和治理是SNA审讯的理想主题。我们分析了英格兰和威尔士的天主教主教大会和美国的天主教主教大会的原始网络数据。重要的是，我们展示了一种基于网络的方法如何帮助解决紧急文化的紧急任务，在该文化中发生和/或启用，忽略和掩盖了性虐待。特别提到西奥多·麦卡里克（Theodore McCarrick），他是前DC大主教，因犯罪而被“撤职”。评论员在更广泛地讨论麦卡里克事件和教堂政治时，自然会使用诸如“保护”，“ clique”，“网络”和“造王者”之类的术语：正是SNA旨在量化和描述社会和政治生活的民间描述。说明。
使用高压力现实生活环境的社会力量模型参数测试和优化
原文标题： Social Force Model parameter testing and optimization using a high stress real-life situation
地址： http://arxiv.org/abs/2007.06651
作者： I.M. Sticco, G.A. Frank, C.O. Dorso
摘要： 社会力量模型（SFM）的紧急逃生版本是描述紧急疏散的合适模型。在这项研究中，我们分析了一个真实的视频，该视频是在黑色星期五事件期间在一家商店开业时录制的，类似于紧急疏散（2017年11月，南非）。我们测量了进入商店的行人流量，发现值比``实验室''条件下通常报告的值更高（ langle J rangle = 6.7 pm 0.8 ， p / s）。我们执行了数值模拟来重新创建此事件。将经验测量值与对应于文献中当前使用的不同参数集的模拟疏散曲线进行比较。所获得的结果表明，与实验室实验（涉及行人的安全问题最为关注的行人）或身体接触可忽略的情况下的校准相对应的一组参数，会产生模拟，其中主体商的撤离速度要快于实验室中的人员。经验场景。总结本文，我们优化了模型的两个参数：摩擦系数 k_t 和体力系数 k_n 。我们发现的最佳拟合可以复制经验疏散曲线的定性和定量行为。我们还发现，就拟合优度而言，参数空间中的许多不同组合都可以产生相似的结果。
使用多个高阶的网络模型预测图中的遍历节点序列
原文标题： Predicting Sequences of Traversed Nodes in Graphs using Network Models with Multiple Higher Orders
地址： http://arxiv.org/abs/2007.06662
作者： Christoph Gote, Giona Casiraghi, Frank Schweitzer, Ingo Scholtes
摘要： 我们提出一种新颖的序列预测方法，用于图中的顺序数据捕获节点遍历。我们的方法建立在统计建模框架上，该框架将多个高阶网络模型合并为一个多阶模型。我们开发了一种技术，可以在经验序列数据中拟合此类多阶模型，并选择最佳的最大阶。给定任意长度的序列前缀，我们的框架可促进下一元素预测和全序列预测。我们基于六个经验数据集评估我们的模型，这些数据集包含来自网站导航和公共交通系统的序列。结果表明，我们的方法优于用于下一元素预测的最新算法。我们进一步证明了我们的方法在样本外序列预测期间的准确性，并验证了我们的方法可以扩展到具有数百万个序列的数据集。
电动汽车共享系统中的车队规模和充电器分配
原文标题： Fleet Sizing and Charger Allocation in Electric Vehicle Sharing Systems
地址： http://arxiv.org/abs/2007.06687
作者： Yuntian Deng, Abhishek Gupta, Ness B. Shroff
摘要： 在本文中，我们提出了一个封闭的排队网络模型，用于在每个邻域中具有一定数量的充电器的电动汽车共享系统的性能分析。根据需求分布，我们设计算法来计算最佳车队规模和所需的充电器数量，以在保持一定服务质量的同时最大化利润。我们表明，相对于车队规模和每个充电点的充电器数量而言，利润是凹的。如果在城市中安装更多的充电器，我们将证明它不仅可以减少车队规模，还可以提高城市中所有地点的车辆可用性。通过仿真我们进一步表明，当充电时间的变化与平均充电时间相比变得相对较大时，两个慢速充电器可能会胜过一个快速充电器。
节点复制可防止图神经网络拓扑攻击
原文标题： Node Copying for Protection Against Graph Neural Network Topology Attacks
地址： http://arxiv.org/abs/2007.06704
作者： Florence Regol, Soumyasundar Pal, Mark Coates
摘要： 对抗攻击会影响现有深度学习模型的性能。随着对基于图的机器学习技术的兴趣增加，已经有研究表明这些模型也容易受到攻击。特别是，图拓扑的损坏会严重降低基于图的学习算法的性能。这是由于以下事实：这些算法的预测能力主要取决于图连接性所强加的相似性结构。因此，检测损坏的位置并纠正引起的错误变得至关重要。最近有一些解决检测问题的工作，但是这些方法不能解决攻击对下游学习任务的影响。在这项工作中，我们提出了一种使用节点复制来减轻对抗性攻击所导致的分类性能下降的算法。仅在训练了用于下游任务的模型并且对于大型图而言，增加的计算成本可以很好地尺度之后，才应用所提出的方法。实验结果表明，我们的方法对于多个真实世界数据集的有效性。
学习大规模动态社会网络中的隐藏影响：一种基于数据的稀疏性方法
原文标题： Learning hidden influences in large-scale dynamical social networks: A data-driven sparsity-based approach
地址： http://arxiv.org/abs/2007.06713
作者： Chiara Ravazzi, Fabrizio Dabbene, Constantino Lagoa, Anton V. Proskurnikov
摘要： 从经验数据估计人际影响力是研究社会结构和动力学的主要挑战。意见动力学理论是一门新兴的跨学科科学，它研究社会网络中的意见形成，并且在诸如营销，广告和推荐等应用中具有巨大的潜力。术语“社会影响力”是指由于在社会系统中与他人互动而导致的个人行为改变。组织，社区或整个社会。互联网的出现使得大量数据可以轻松获得，这些数据可以用来衡量社会对大批人口的影响。在这里，我们旨在使用系统和控制观点从数据定性和定量地推断社会影响。首先，我们基于稀疏性的概念介绍了意见动态的一些定义和模型，并回顾了在线社会网络的一些结构性约束。然后，我们回顾了从一组观察到的数据推断网络结构的主要方法。最后，我们提出了一些利用引入的模型和结构约束的算法，重点是样本的复杂性和计算要求。
疏散现象的微观动力学
原文标题： Microscopic dynamics of the evacuation phenomena
地址： http://arxiv.org/abs/2007.06746
作者： F.E. Cornes, G.A. Frank, C.O. Dorso
摘要： 我们在社会力量模型的背景下研究了房间疏散问题。我们集中研究了由225名行人在不同焦虑水平下逃离房间的系统，并分析了堵塞延迟是造成疏散性能的重要因素。我们将延迟与“更快，更慢”和“更快，更快”的聚类现象联系在一起。我们将证明“更快，更快”政权的特征是存在巨大的集群结构（由15个以上的行人组成），尽管该政权没有出现持久的拖延。对于该系统，我们发现“快慢”机制中的相关结构是那些以某种方式连接到定义出口的两堵墙的阻塞簇。在非常低的期望速度下，非常小的结构变得有意义（由少于5个行人组成），但是在中等速度（vd = 3 m / s）下，参与阻塞的行人增加了（不超过15个行人）。
ReAD：基于动态划分的区域异常检测框架
原文标题： ReAD: A Regional Anomaly Detection Framework Based on Dynamic Partition
地址： http://arxiv.org/abs/2007.06794
作者： Huaishao Luo, Chuishi Meng, Bowen Wu, Junbo Zhang, Tianrui Li, Yu Zheng
摘要： 从城市数据中检测异常区域是一个重要的研究问题。但是，据我们所知，先前针对时空异常设计的方法是基于道路或基于网格的，这通常会导致数据稀疏性问题并影响检测结果。在本文中，我们提出了一种动态区域划分方法来解决上述问题。此外，我们提出了一种无监督的区域异常检测框架（ReAD），通过共同考虑时空特性来检测具有任意形状的异常区域。具体而言，提出的框架首先通过动态区域划分方法生成区域。它使同一区域中的观测值具有相邻的位置和相似的非空间属性读数，并且与基于网格的方法相比，可以减轻数据稀疏性和异构性。然后，将通过区域差异计算方法为每个区域计算异常度量。最终可以根据不同情况通过加权方法或波浪方法检测异常区域。在模拟数据集和实际应用中进行的实验证明了所提出框架的有效性和实用性。
基于强化学习方法的乘车系统多目标车辆再平衡
原文标题： Multi-Objective Vehicle Rebalancing for Ridehailing System using a Reinforcement Learning Approach
地址： http://arxiv.org/abs/2007.06801
作者： Yuntian Deng, Hao Chen, Shiping Shao, Jiacheng Tang, Jianzong Pi, Abhishek Gupta
摘要： 这里考虑了针对具有非对称需求的大规模乘车系统设计平衡算法的问题。我们在一个半马尔可夫决策问题（SMDP）框架内提出了重新平衡问题，该模型具有在多个节点（代表邻域）的大城市上服务于稳定但非对称需求的封闭车辆队列。我们假设乘客在每个节点排队，直到他们与车辆匹配为止。 SMDP的目标是最大程度地减少乘客的等待时间与空车总行驶里程的凸组合。最终的SMDP似乎很难解决再平衡策略的闭式表达式。结果，我们使用深度强化学习算法来确定SMDP的近似最佳解决方案。将经过培训的策略与其他众所周知的重新平衡算法进行比较，这些算法旨在解决搭车问题的其他目标（例如，使需求下降的可能性最小化）。
H-VGRAE：动态网络中鲁棒异常检测的分层随机时空嵌入方法
原文标题： H-VGRAE: A Hierarchical Stochastic Spatial-Temporal Embedding Method for Robust Anomaly Detection in Dynamic Networks
地址： http://arxiv.org/abs/2007.06903
作者： Chenming Yang, Liang Zhou, Hui Wen, Zhiheng Zhou, Yue Wu
摘要： 在诸如社交媒体，计算机网络等各个领域中，检测动态网络中的异常边和节点至关重要。最近的方法利用网络嵌入技术来学习如何为正常训练样本生成节点表示，以及如何检测偏离正常模式的异常。然而，大多数现有的网络嵌入方法都学习确定性的节点表示，由于动态网络的高度灵活性和随机性，它们对拓扑和属性的波动非常敏感。在本文中，提出了一种随机神经网络，称为层次变分图递归自动编码器（H-VGRAE），通过学习的鲁棒节点表示形式以随机变量的形式检测动态网络中的异常。 H-VGRAE是一种半监督模型，可通过变分推断最大化邻接矩阵和节点属性的可能性，从而捕获训练集中的正常模式。与现有方法相比，H-VGRAE具有三个主要优点：1）H-VGRAE通过随机性建模和多尺度时空特征的提取来学习鲁棒的节点表示； 2）随着动态网络规模的增加，H-VGRAE可以扩展到深层结构； 3）异常边和节点可以从概率角度定位和解释。在四个真实世界的数据集上进行的广泛实验表明，与最新的竞争对手相比，H-VGRAE在动态网络中的异常检测方面表现出色。
电网中无标度停电尺寸的出现
原文标题： Emergence of scale-free blackout sizes in power grids
地址： http://arxiv.org/abs/2007.06967
作者： Tommaso Nesti, Fiona Sloothaak, Bert Zwart
摘要： 我们将电网建模为带有重尾汇的图，这些图代表了城市的需求，并研究了此类图上的级联故障。我们的分析将停电规模的无标度性质与城市规模的无标度性质联系起来，对比以往的研究表明，这种性质受自组织临界度支配。我们的结果基于新的数学框架，结合了功率流的物理特性和针对重尾分布的罕见事件分析，并使用各种综合网络和德国输电网进行了验证。
数据驱动的在线课程任务完成序列的建模和表征
原文标题： Data-driven modelling and characterisation of task completion sequences in online courses
地址： http://arxiv.org/abs/2007.07003
作者： Robert L. Peach, Sam F. Greenbury, Iain G. Johnston, Sophia N. Yaliraki, David Lefevre, Mauricio Barahona
摘要： 学习的固有时间性要求采用能够利用时间序列信息的方法。在这项研究中，我们利用序列数据框架，展示了在线课程中任务完成的时间序列的数据驱动分析如何用于表征个人和小组学习者的行为，并在给定的课程设计中识别关键任务和课程。我们还介绍了最近开发的概率贝叶斯模型，以学习学生的序列轨迹并预测学生的表现。将我们的数据驱动的基于序列的分析应用于学习在线商务管理课程的学习者的数据，可以揭示学习者群体内的不同行为，从而识别出学习者或学习者群体与课程中预期的名义顺序有出入。使用后验课程等级，我们探索高绩效学习者和低绩效学习者在行为上的差异。我们发现，高绩效的学习者比低绩效的学习者更规律地遵循每周课程之间的进度，但是在每个每周的课程中，高绩效的学习者与名义任务顺序的联系较少。然后，我们使用概率贝叶斯模型对高绩效和低绩效学生的序列进行建模，并表明我们可以学习与绩效相关的参与行为。我们还表明，数据序列框架可用于以任务为中心的分析；我们会在课程设计中确定关键时刻和任务类型之间的差异。我们发现非死记硬背的学习任务（例如互动任务或讨论帖）与更高的绩效相关。我们讨论了这种分析技术的应用，以帮助课程设计，干预和学生监督。
网络极化
原文标题： Polarization in networks
地址： http://arxiv.org/abs/2007.07061
作者： Kenan Huremovic, Ali Ozkes
摘要： 我们介绍了网络中的极化模型，作为涵盖多种应用的极化测量的统一框架。为此，我们考虑了足够通用的设置：节点和边加权，无向和连接的网络。我们概括了Esteban和Ray（1994）的公理化特征，并表明只有此类中的特定实例可以合理地用于测量网络的极化。
新闻和博客中金融科技术语的动态变化以及金融科技行业公司的专业化
原文标题： Dynamics of fintech terms in news and blogs and specialization of companies of the fintech industry
地址： http://arxiv.org/abs/2007.07166
作者： Fabio Ciulla, Rosario N. Mantegna
摘要： 我们对（i）英语新闻和博客中的金融科技术语列表以及（ii）在许多国家/地区开展业务的公司的专业描述进行大规模分析。金融科技术语和功能的出现和同时出现表明，在全世界用于描述金融科技业务活动的一组紧凑而连贯的术语中，金融科技术语列表的演进。通过使用专门为处理异构系统而设计的复杂网络方法，我们对公司的大量专业描述的分析表明，描述中具有金融科技术语的公司过分表达了国家，城市和经济的特定属性部门。通过使用经过统计验证的网络的方法，我们可以检测与多行业，地理和经济分布的金融科技运动相关的一组公司的地理和经济过度表达。
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。