- SCARLET：基于可解释注意的图神经网络，用于虚假新闻传播者预测;
- 对称和耗散作为社会流动的基本机制，解释了移民模式的距离尺度;
- 随机选择可以促进人工主体解决集体网络着色问题;
- 使用张量特征值分解的超边预测;
- 猝灭性选民模型中的持续个体偏见;
- 通过深度学习在Instagram上跟踪电子烟警告标签的合规性;
SCARLET：基于可解释注意的图神经网络，用于虚假新闻传播者预测
原文标题： SCARLET: Explainable Attention based Graph Neural Network for Fake News spreader prediction
地址： http://arxiv.org/abs/2102.04627
作者： Bhavtosh Rath, Xavier Morales, Jaideep Srivastava
摘要： 虚假信息和真实信息事实对其进行检查，通常并存于社会网络中，每种竞争都在影响人们的传播路径。这里包含错误信息的有效策略是主动识别传播路径中的节点是否可能认可错误信息（即进一步传播它）或反驳信息（从而帮助包含错误信息传播）。在本文中，我们提出了SCARLET（使用注意力的可信度和可信度基础神经网络模型）来预测节点在传播路径中的可能作用。我们使用历史行为数据和网络结构来汇总节点邻域的信任度和可信度特征，并解释传播者邻域的特征如何变化。使用现实世界的Twitter数据集，我们证明该模型能够以超过87％的准确度预测虚假信息传播者。
对称和耗散作为社会流动的基本机制，解释了移民模式的距离尺度
原文标题： Symmetry and dissipation as the basic mechanism of social mobility, explaining distance scaling of migration patterns
地址： http://arxiv.org/abs/2102.04673
作者： Kirill S. Glavatskiy
摘要： 牛顿万有引力定律启发的社会流动模型已经被使用了几十年，用以描述人，货物和信息的迁移。尽管有引人注目的参考和广泛使用，但这些模型缺乏背景理论，通常被视为依赖可调参数的经验配方的集合。在这里，我们提出了一种社会流动性的易处理且基本的机制，该机制解释了移民流动的距离尺度并预测了尺度指数的价值。该机制揭示了构成社会流动的两个关键方面，它们在物理学上具有直接类比：对称和耗散。尤其是，当幂律指数等于2时，我们确定了社会引力定标的条件，并解释了这种行为的偏差，包括饱和过渡。最终的流量分布由基础社会网络的空间结构决定，而不是由距离明确决定。该理论在结构，人口和规模各异的澳大利亚主要城市的郊区网络中的居民迁移方面得到了验证。该机制可直接转化为其他社会环境，例如商品或信息流，并提供了对社会流动的动态模式如何从结构网络属性中出现的普遍理解。
随机选择可以促进人工主体解决集体网络着色问题
原文标题： Random Choices can Facilitate the Solving of Collective Network Coloring Problems by Artificial Agents
地址： http://arxiv.org/abs/2102.04888
作者： Matthew I. Jones, Scott D. Pauls, Feng Fu
摘要： 从网络色彩到公地悲剧，需要全球协调来解决各种各样具有挑战性的集体行动问题。最近的经验研究表明，一些嘈杂的自治主体的存在可以极大地改善人类在解决网络色彩协调博弈中的集体表现。为了提供有关行为随机性作用的进一步分析见解，在这里我们研究近视人工主体尝试使用仅基于本地信息但允许在其启发式推理的各个阶段进行随机选择的决策更新规则来解决类似的网络着色问题。我们认为主体分布在随机的二分网络上，保证可以用两种颜色解决。使用基于主体的仿真和理论分析，我们证明解决颜色冲突的最终效果取决于主体随机行为的具体实现，包括嘈杂主体的比例以及在决策阶段引入的噪声。此外，可以将行为随机性微调到特定的基础种群结构，例如网络大小和平均网络度，以便在找到集体着色解决方案时产生有利的结果。我们的工作表明，应该利用利用局部信息的分布式贪婪优化算法，并通过随机选择与偶然探索相结合，以克服局部最小值并实现全局协调。
使用张量特征值分解的超边预测
原文标题： Hyperedge Prediction using Tensor Eigenvalue Decomposition
地址： http://arxiv.org/abs/2102.04986
作者： Deepak Maurya, Balaraman Ravindran
摘要： 通过对两个节点之间的二元相互作用进行建模，研究了图中的链路预测。这些关系可能比简单的二元交互更为复杂，并且可能要求用户对节点之间的超二元关联进行建模。可以使用超图对这种交互进行建模，超图是超图可以连接两个以上节点的图的概括。在这项工作中，我们考虑了 k- 一致超图中的超边预测问题。我们利用基于张量的超图表示，并提出张量特征向量的新颖解释。这进一步用于提出超边预测算法。所提出的算法利用通过超图拉普拉斯算子的张量特征值分解计算的 Fiedler特征向量。 Fiedler特征向量用于评估新超边的构造成本，该特征进一步用于确定要构造的最可能的超边。使用一些示例超图和一些实际数据集说明了该方法的功能和有效性。提议的方法的代码可在https://github.com/d-maurya/hypred_ tensorEVD上找到
猝灭性选民模型中的持续个体偏见
原文标题： Persistent individual bias in a voter model with quenched disorder
地址： http://arxiv.org/abs/2102.05006
作者： Joseph W. Baron
摘要： 选民模型（或其上的变体）的许多理论研究都涉及总体平均的顺序参数。令人鼓舞的是，这样的数量可能会掩盖仅在个人层面上显而易见的重要统计特征。在这项工作中，我们询问哪些因素会导致一个选民在面对社会影响时，对一种意见比另一种意见保持长期的统计偏见。为此，提出了网络投票者模型的修改版本，该模型还在个人之间的互动强度和对抗性关系的可能性中纳入了猝灭性障碍。我们发现，即使对于一种观点不存在人口平均的偏见，即使缺乏一种群体平均偏见，相互作用网络的稀疏性和相互作用强度的异质性也可能导致任意长期存在的个体偏见。通过使用稀疏随机矩阵理论计算加权网络Laplacian的特征值谱，可以证明这一点。
通过深度学习在Instagram上跟踪电子烟警告标签的合规性
原文标题： Tracking e-cigarette warning label compliance on Instagram with deep learning
地址： http://arxiv.org/abs/2102.04568
作者： Chris J. Kennedy, Julia Vassey, Ho-Chun Herbert Chang, Jennifer B. Unger, Emilio Ferrara
摘要： 美国食品药品监督管理局（FDA）要求电子烟广告必须包含醒目的警告标签，以提醒消费者尼古丁会上瘾。但是，社交媒体上与电子烟相关的大量帖子使合规性审核变得既昂贵又费时，这表明需要一种自动化，可扩展的方法。我们试图开发和评估深度学习系统，该系统旨在自动确定Instagram帖子是否促进了雾化，如果是，则是否包含FDA兼容警告标签或图像中是否可见不兼容警告标签。我们编译并标记了4363张Instagram图像的数据集，其中44％与vaping相关，3％包含FDA兼容警告标签，4％包含不兼容标签。使用20％的测试集进行评估，我们测试了多个神经网络变量：图像处理主干模型（Inceptionv3，ResNet50，EfficientNet），数据增强，渐进层解冻，为类不平衡而设计的输出偏差初始化以及多任务学习。我们的最终模型在vaping分类上的曲线下面积（AUC）和[准确性]为0.97 [92％]，在FDA兼容警告标签上为0.99 [99％]，在不兼容警告标签上为0.94 [97％] 。我们得出结论，深度学习模型可以有效地识别Instagram上的vaping帖子，并跟踪对FDA警告标签要求的遵守情况。
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。