- 自适应学习社交朋友偏好的神经注意模型;
- 协同过滤中跨域损失的自适应深度学习;
- dK随机图的隐私性;
- 带完全采用反馈的独立级联模型影响最大化的适应性差距;
- 捷克电网异常与地磁活动相关性的统计分析;
- 无标度优先连接模型中的加权距离;
自适应学习社交朋友偏好的神经注意模型
原文标题： A Neural Attention Model for Adaptive Learning of Social Friends' Preferences
地址： http://arxiv.org/abs/1907.01644
作者： Dimitrios Rafailidis, Gerhard Weiss
摘要： 基于社交的推荐系统利用朋友的选择来对抗用户偏好的数据稀疏性，并提高协同过滤策略的推荐准确性。主要的挑战是捕捉和权衡朋友的偏好，因为在实践中他们必然匹配。在本文中，我们提出了一种用于社会协同过滤的神经注意机制，即NAS。我们设计了一种神经架构，通过考虑朋友对用户行为的社会潜在影响，仔细计算朋友偏好中的非线性。此外，我们引入社交行为关注机制来自适应地权衡朋友对用户偏好的影响，从而生成准确的推荐。我们在公开数据集上的实验证明了所提出的NAS模型相对于其他最先进方法的有效性。此外，我们研究了所提出的社会行为关注机制的效果，并表明它是我们模型表现的关键因素。
协同过滤中跨域损失的自适应深度学习
原文标题： Adaptive Deep Learning of Cross-Domain Loss in Collaborative Filtering
地址： http://arxiv.org/abs/1907.01645
作者： Dimitrios Rafailidis, Gerhard Weiss
摘要： 如今，用户在社交媒体平台和电子商务网站上打开多个帐户，在不同的域上表达他们的个人偏好。但是，用户的行为会跨域更改，具体取决于用户与之交互的内容，例如电影，音乐，服装和零售产品。在本文中，我们提出了一种用于跨域推荐的自适应深度学习策略，称为ADC。我们设计了一个神经架构并制定了跨域丢失函数，以计算跨域用户偏好的非线性，并相应地传递用户多种行为的知识。此外，我们引入了一种有效的跨域损失平衡算法，该算法直接调整梯度幅度，并在通过反向传播训练模型时根据域的复杂性/尺度调整学习速率。在这样做时，ADC在优化模型参数时控制并调整每个域的贡献。我们对六个公开可用的跨域推荐任务的实验证明了所提出的ADC模型相对于其他最先进方法的有效性。此外，我们研究了所提出的自适应深度学习策略的效果，并表明ADC可以很好地平衡具有不同复杂性的域的影响。
dK随机图的隐私性
原文标题： On the Privacy of dK-Random Graphs
地址： http://arxiv.org/abs/1907.01695
作者： Sameera Horawalavithana, Adriana Iamnitchi
摘要： 真实的社会网络数据集为理解信息传播或网络演化等现象提供了重要的好处。然而，即使在剥离用户身份信息时，共享真实图数据集所带来的隐私风险也很重要。之前的研究表明，许多图匿名化技术都无法抵御现有的图去匿名攻击。但是，这种去匿名攻击成功的具体原因还有待理解。本文系统地研究了真实图的结构特性，使它们更容易受到基于机器学习的去匿名化技术的影响。更确切地说，我们基于真实图数据集的结构属性，研究基于dK的匿名版本如何抵抗（或失败）各种类型的攻击，从而研究匿名的界限。我们的实验结果导致了三个贡献。首先，我们根据节点子集的图特征来识别攻击者的强度，从中开始去匿名攻击。其次，我们量化了dK系列图匿名化的相对有效性。第三，我们确定原始图的属性，使其更容易被去匿名化。
带完全采用反馈的独立级联模型影响最大化的适应性差距
原文标题： On Adaptivity Gaps of Influence Maximization under the Independent Cascade Model with Full Adoption Feedback
地址： http://arxiv.org/abs/1907.01707
作者： Wei Chen, Binghui Peng
摘要： 在本文中，我们研究了在完全采用反馈时，独立级联模型下影响最大化问题的适应性差距。我们的主要结果是得出几个研究良好的影响图家族的上界，包括紫红色，小枝外和二部图。特别是，我们证明了树内的适应性差距在 [ frac e e-1， frac 2e e - 1] 之间，而对于out-arborescence，差距是介于 [ frac e e-1，2] 之间。这些是全采用反馈模型中的第一个常数上限。我们提供了一些新颖的想法来解决自适应随机优化中出现的相关反馈，我们认为这些反馈具有独立的利益。
捷克电网异常与地磁活动相关性的统计分析
原文标题： Statistical Analysis of the Correlation between Anomalies in the Czech Electric Power Grid and Geomagnetic Activity
地址： http://arxiv.org/abs/1907.01753
作者： Tatiana Výbošťoková (1), Michal Švanda (1 and 2) ((1) Astronomical Institute, Charles University, Prague, Czech Republic (2) Astronomical Institute, Academy of Sciences of the Czech Republic, Ondrejov, Czech Republic)
摘要： 太阳上的爆发事件对地球的周围环境产生了影响。通过感应电流，它们还影响诸如电力传输网络的地球结构。受近期研究的启发，我们研究了捷克电力分销商维护日志中12年记录的干扰与K指数代表的地磁活动之间的相关性。我们发现，如果数据集记录了高电压和非常高电压等级的电力线干扰以及变电站的干扰，那么在地磁活动最大值周围数十天的时间内，异常率有统计上的显著增加。到相邻的最小活动。有迹象表明，扰动在最大值之后不久比活动最大值之前不久更明显。我们的研究结果提供了间接证据，表明即使在欧洲中部的中纬度国家，地磁感应电流也可能影响电网设备上记录的异常现象。需要进行一项后续研究，包括对地磁感应电流的建模，以证实我们的研究结果。
无标度优先连接模型中的加权距离
原文标题： Weighted distances in scale-free preferential attachment models
地址： http://arxiv.org/abs/1907.01907
作者： Joost Jorritsma, Júlia Komjáthy
摘要： 我们研究了三个优先连接模型，一个是顶点具有固定的outdegree，另一个是outdegree可变的。我们选择参数使得度数遵循幂律，参数 tau in（2,3）。一旦创建了 t vertices上的图，每个边都配备了一个非负i.i.d.重量。我们研究了随机均匀选择的两个顶点之间的加权距离，称为典型加权距离，以及该路径上的边数，即典型的hopcount。我们证明了正好有两种普遍性的权重分布，称为爆炸性和保守性。在炸药类中，我们表明典型的加权距离在分布上收敛到两个i.i.d的总和。有限随机变量。在保守类中，我们证明典型的加权距离倾向于无穷大，我们给出了主要增长项以及跳数的明确表达式。对于三种模型中的两种，我们证明在主要项下的波动在重量分布的温和额外条件下是紧的。作为推论，我们证明了具有固定outdegree的模型中典型图距离的主要项的紧密性。
声明：Arxiv文章摘要版权归论文原作者所有，由本人进行翻译整理，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.me （提供RSS订阅）进行同步更新。