- AGSTN：学习注意力调整后的图时空网络，用于短期城市传感器值预测;
- BridgeDPI：预测药物-蛋白质相互作用的新型图神经网络;
- COVID-19期间出口限制对全球个人防护设备贸易网络的影响;
- 多尺度城市动力学模型尺度之间的强耦合;
- 动态的社会活动如何塑造流行病：海浪，高原和地方病;
- 混合整数规划用于随机块模型中的社区检测;
- 子图提名：通过示例检索查询网络中的子图;
- RetaGNN：用于整体顺序推荐的关系时间注意力图神经网络;
- COVID-19传播动力学中普遍性的涌现;
AGSTN：学习注意力调整后的图时空网络，用于短期城市传感器值预测
原文标题： AGSTN: Learning Attention-adjusted Graph Spatio-Temporal Networks for Short-term Urban Sensor Value Forecasting
地址： http://arxiv.org/abs/2101.12465
作者： Yi-Ju Lu, Cheng-Te Li
摘要： 预测传感器值的时空相关时间序列在城市应用中至关重要，例如空气污染警报，自行车资源管理和智能交通系统。尽管最近的进步利用图神经网络（GNN）更好地理解传感器之间的时空依赖关系，但它们无法对传感器之间的时空时空相关性（STC）进行建模，并且需要预定义的图，这些图既不总是可用，也不是完全可用可靠，并且一次只能针对特定类型的传感器数据。而且，由于时间序列波动的形式在传感器之间是不同的，因此模型需要学习波动调制。为理解决这些问题，在这项工作中，我们提出了一种基于GNN的新颖模型，即注意力调整图时空网络（AGSTN）。在AGSTN中，开发了具有顺序学习的多图卷积来学习时间演变的STC。波动调制是通过提出的注意力调节机制实现的。对三个传感器数据，空气质量，自行车需求和交通流量进行的实验表明，AGSTN优于最新方法。
BridgeDPI：预测药物-蛋白质相互作用的新型图神经网络
原文标题： BridgeDPI: A Novel Graph Neural Network for Predicting Drug-Protein Interactions
地址： http://arxiv.org/abs/2101.12547
作者： Yifan Wu, Min Gao, Min Zeng, Feiyang Chen, Min Li, Jie Zhang
摘要： 动机：探索药物-蛋白质相互作用（DPI）是药物发现中的关键步骤。现有生物数据的快速扩展使计算方法有效地辅助了实验方法。其中，深度学习方法仅从基本特征中提取特征，例如蛋白质序列，分子结构。其他人则不仅通过学习序列/分子，还通过学习蛋白质-蛋白质和药物-药物的关联（PPA和DDA）取得了显著的进步。 PPA和DDA通常是通过使用计算方法获得的。但是，现有的计算方法有一些局限性，导致产生质量低下的PPA和DDA，从而妨碍了预测性能。因此，我们希望开发一种新颖的监督学习方法，以有效学习PPA和DDA，从而提高DPI具体任务的预测性能。结果：在这项研究中，我们提出了一种新颖的深度学习框架，即BridgeDPI。 BridgeDPI引入了一类称为超节点的节点，该节点将不同的蛋白质/药物桥接起来以用作PPA和DDA。由于整个过程都是端到端的学习，因此可以监督超级节点针对DPI的特定任务学习。因此，这样的模型将改善DPI的预测性能。在三个真实的数据集中，我们进一步证明BridgeDPI优于最新方法。此外，消融研究证明了超级节点的有效性。最后，在独立验证中，BridgeDPI探索了COVID-19蛋白与各种抗病毒药物之间的候选结合。预测结果符合世界卫生组织和食品药品监督管理局的声明，表明了BridgeDPI的有效性和可靠性。
COVID-19期间出口限制对全球个人防护设备贸易网络的影响
原文标题： Impacts of export restrictions on the global personal protective equipment trade network during COVID-19
地址： http://arxiv.org/abs/2101.12444
作者： Yang Ye, Qingpeng Zhang, Zhidong Cao, Frank Youhua Chen, Houmin Yan, H. Eugene Stanley, Daniel Dajun Zeng
摘要： COVID-19大流行已导致全球对个人防护设备（PPE）的需求激增。许多国家对个人防护装备实施了出口限制，以确保充足的国内供应。旺盛的需求和出口限制导致全球PPE贸易网络短缺蔓延。在这里，我们开发了一个集成的网络模型，该模型集成了一个种群模型和一个阈值模型，以研究短缺传染模式。人口分布模型刻画了国家之间的疾病传染。阈值模型刻画了全球PPE贸易网络上的短缺蔓延。结果表明，短缺蔓延的模式主要由顶级出口商决定。出口限制加剧了个人防护装备的短缺，并导致短缺蔓延的传播速度甚至快于疾病蔓延的速度。此外，出口限制导致世界范围内个人防护装备的配置无效和效率低下，这不利于世界抗击大流行。
多尺度城市动力学模型尺度之间的强耦合
原文标题： Strong coupling between scales in a multi-scalar model of urban dynamics
地址： http://arxiv.org/abs/2101.12725
作者： Juste Raimbault
摘要： 城市演化过程发生在不同的规模上，各个层次之间的相互作用复杂且过程类型相对不同。在自上而下和自下而上的反馈意义上，实际的城市动态在多大程度上包括规模之间的实际强耦合，仍然是一个开放问题，对领土的可持续管理具有重要的实际意义。在本文中，我们介绍了城市增长的多尺度模拟模型，将宏观尺度上的城市交互模型系统与形态生成模型耦合，以用于大都市区规模上的城市形态演变。刻度之间的强耦合是通过更新每个刻度上的模型参数（取决于另一个刻度上的轨迹）来实现的。该模型在城市综合系统上得到了应用和探索。仿真结果表明了强耦合的重要作用。结果，改变了对政策参数的最佳行动，例如遏制城市扩张。我们还在模型上运行了一个多目标优化算法，显示了刻画了尺度之间的折衷。我们的方法为更多可操作的城市动力学模型打开了新的研究方向，其中包括规模之间的强烈反馈。
动态的社会活动如何塑造流行病：海浪，高原和地方病
原文标题： How dynamic social activity shapes an epidemic: waves, plateaus, and endemic state
地址： http://arxiv.org/abs/2101.12275
作者： Alexei V. Tkachenko, Sergei Maslov, Tong Wang, Ahmed Elbanna, George N. Wong, Nigel Goldenfeld
摘要： 众所周知，人口异质性在流行病的传播中起着重要作用。尽管人们通常认为社会活动中的个体差异是持久的，即时间是恒定的，但在这里我们讨论动态异质性的后果。我们将社会活动的随机动态整合到传统的流行病学模型中。总体流行病动力学浓缩为三个微分方程，其特征是出现了很长的时间尺度。我们的模型刻画了现实生活中的流行病的多种特征，例如COVID-19，包括长时间的高原期和多次波动。个体浪潮在瞬态集体免疫（TCI）的状态下受到抑制，由于社会活动的动态性质，其随后逐渐减弱。我们的结果也为新兴病原体从快流行病转变为流行病提供了新的机制。
混合整数规划用于随机块模型中的社区检测
原文标题： Community Detection in the Stochastic Block Model by Mixed Integer Programming
地址： http://arxiv.org/abs/2101.12336
作者： Breno Serrano, Thibaut Vidal
摘要： 程度校正随机块模型（DCSBM）是一种流行的模型，用于生成具有给定程度序列的群落结构的随机图。基于DCSBM的社区检测的标准方法是通过最大似然估计（MLE）搜索最有可能产生观测网络数据的模型参数。用于MLE问题的当前技术是试探法，因此不能保证收敛到最优。我们提供了数学编程公式和精确的求解方法，可以精确地找到给定观察图的模型参数和最大似然的社区分配。我们将这些精确方法与基于期望最大化（EM）的经典启发式算法进行比较。通过精确方法给出的解决方案为我们提供了一种测量经典启发式方法的实验性能并比较其不同变体的原则方法。
子图提名：通过示例检索查询网络中的子图
原文标题： Subgraph nomination: Query by Example Subgraph Retrieval in Networks
地址： http://arxiv.org/abs/2101.12430
作者： Al-Fahad M. Al-Qadhi, Carey E. Priebe, Hayden S. Helm, Vince Lyzinski
摘要： 本文介绍了子图提名推理任务，其中感兴趣的示例子图用于在网络中查询类似兴趣的子图。这种类型的问题在与例如用户推荐系统和社会和生物/连接体网络中的结构检索任务相关的现实世界问题中反复出现。我们正式定义子图提名框架，重点放在子图提名管道中的“在环用户”概念。在此设置中，用户可以提供可以合并到检索任务中的其他提名后灯光监督。在引入并正式化了检索任务之后，我们将分析分析以及跨真实和模拟数据示例，研究用户监督对性能产生的细微影响。
RetaGNN：用于整体顺序推荐的关系时间注意力图神经网络
原文标题： RetaGNN: Relational Temporal Attentive Graph Neural Networks for Holistic Sequential Recommendation
地址： http://arxiv.org/abs/2101.12457
作者： Cheng Hsu, Cheng-Te Li
摘要： 顺序推荐（SR）是根据用户当前访问的项目准确地推荐项目列表。当新来的用户不断进入现实世界时，一项关键任务是拥有感应式SR，它可以产生用户和物品的嵌入而无需重新培训。考虑到用户与项目之间的交互可能极为稀疏，另一个关键任务是拥有可转移的SR，该SR可以将来自具有丰富数据的一个域的知识转移到另一个域。在这项工作中，我们的目的是提供同时适用于常规，电感和可转移设置的整体SR。我们为整体SR提出了一个新颖的基于深度学习的模型，即关系时间关注图神经网络（RetaGNN）。 RetaGNN的主要思想是三个方面。首先，为了具有归纳和可传递的能力，我们在从用户项对中提取的局部子图上训练相关的关注GNN，其中可学习的权重矩阵位于用户，项和属性之间的各种关系上，而不是节点或边上。第二，用户偏好的长期和短期时间模式是通过提出的顺序自我注意机制进行编码的。第三，设计了一种关系感知正则化术语，以更好地训练RetaGNN。在MovieLens，Instagram和跨书数据集上进行的实验表明，RetaGNN在常规，归纳和可转移的设置下可以胜过最新技术。得出的注意力权重还带来了模型的可解释性。
COVID-19传播动力学中普遍性的涌现
原文标题： Emergence of universality in the transmission dynamics of COVID-19
地址： http://arxiv.org/abs/2101.12556
作者： Ayan Paul, Jayanta Kumar Bhattacharjee, Akshay Pal, Sagar Chakraborty
摘要： 对COVID-19传播动力学进行建模的复杂性一直是实现疾病传播和控制的可预测性的主要障碍。除了理解传播方式外，还需要将缓解方法的有效性构建到任何有效的模型中，以进行此类预测。我们表明，可以通过诉诸于导致疾病的传播动力学普遍性出现的尺度原则来规避这种复杂性。随之而来的数据崩溃使传输动力学很大程度上不受地缘政治变化，各种缓解策略的有效性，人口统计等的影响。我们提出了一个简单的两参数模型-蓝天模型-并证明了一类传输动力学可以用住在蓝天分叉边的解决方案来解释。此外，数据崩溃会导致疾病传播在多个地理范围内的可预测性增强，这也可以通过模型无关的方式实现，如我们使用深度神经网络所展示的。这项工作中采用的方法可能会应用于其他传染病的传播，并且可能会发现新的普遍性类别。传播动力学的可预测性和我们方法的简单性可以帮助在大流行期间制定退出策略和缓解方法的政策。
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。