- 流网络中弹性和故障扩散的拓扑理论;
- 用于学习图表示的可解释、稳定和可扩展的图卷积网络;
- 适应随着时间变化的用户偏好的上下文bandit;
- 评论“具有Glauber动力学的社会平衡网络模型中的相变”;
- 通过多面Rasch测量和多任务深度学习构造区间变量：仇恨语音应用;
- 维护在线社会网络的完整性;
- 在COVID危机期间，美国各城市的在线地理本地化情感：普遍性、政策应对以及与本地流动性的联系;
- 从蚂蚁到渔船：有限资源的放牧和开发的简单模型;
- GraphCrop：用于图分类的子图裁剪;
- 当深度强化学习遇到联合学习：5G超密集网络中用于多路访问边缘计算的智能多时标资源管理;
- 通过具有顽固节点的投票模型预测选举结果;
- 通过稀疏谱分解检测网络中的重叠社区;
- Google的COVID-19社区移动性报告：来自多标准决策的见解;
流网络中弹性和故障扩散的拓扑理论
原文标题： Topological theory of resilience and failure spreading in flow networks
地址： http://arxiv.org/abs/2009.10349
作者： Franz Kaiser, Dirk Witthaut
摘要： 供应网络中的链路故障可能会带来灾难性后果，从而可能导致网络完全崩溃。因此，人们强烈寻求防止故障蔓延的策略。在这里，我们利用线性流网络中链路故障的生成树公式来分析可防止故障扩散的拓扑结构。特别是，我们利用基于 矩阵树定理的电阻器网络获得的结果来分析电网链路故障后的故障扩散。使用链路故障的生成树公式，我们基于网络拓扑分析了三种策略，这些策略可减少单链路故障的影响。与基于降低网络连接性的传统遏制策略相比，我们所有的策略都不会降低网格的传输能力或实际上并未改善网格的能力。我们的结果还解释了为什么某些连接功能可以完全抑制任何故障扩散，如最近出版物中所报道。
用于学习图表示的可解释、稳定和可扩展的图卷积网络
原文标题： Explainable, Stable, and Scalable Graph Convolutional Networks for Learning Graph Representation
地址： http://arxiv.org/abs/2009.10367
作者： Ping-En Lu, Cheng-Shang Chang
摘要： 将图上的节点映射到欧几里得空间中的向量的网络嵌入问题对于解决图上的几个重要任务非常有用。近来，已经提出了图神经网络（GNN）来解决这样的问题。但是，大多数嵌入算法和GNN难以解释，无法很好地扩展以处理数百万个节点。在本文中，我们基于三个约束优化问题的等价性，从新的角度解决了该问题：网络嵌入问题，采样图中模块化矩阵的迹线最大化问题和模块化矩阵在矩阵分解中的问题。采样图。这三个问题的最佳解决方案是模块化矩阵的主要特征向量。我们提出了两种属于一类特殊的图卷积网络（GCN）的算法来解决这些问题：（i）聚类作为特征嵌入GCN（CAFE-GCN）和（ii）球形GCN。两种算法都是稳定的迹线最大化算法，并且它们都能很好地逼近优势特征向量。此外，还有稀疏图的线性时间实现。除了解决网络嵌入问题外，两个提议的GCN都能够执行降维。进行了各种实验以评估我们提出的GCN，并表明我们提出的GCN几乎优于所有基准方法。此外，CAFE-GCN可以从标记的数据中受益，并且可以在各种性能指标上取得巨大的进步。
适应随着时间变化的用户偏好的上下文bandit
原文标题： Contextual Bandits for adapting to changing User preferences over time
地址： http://arxiv.org/abs/2009.10073
作者： Dattaraj Rao
摘要： 上下文bandit提供了一种有效的方法来对此问题建模，并利用在线（增量）学习来根据不断变化的环境不断调整预测。我们探索如何将情境bandit问题建模为强化学习（RL）问题的扩展，并建立一种新颖的算法来使用一系列基于动作的学习者来解决该问题。我们将这种方法应用于使用一系列随机梯度下降（SGD）学习者对商品推荐系统进行建模的模型，从而根据所采取的行动对奖励进行预测。然后，我们将该方法扩展到可公开获取的MovieLens数据集并探索发现。首先，我们提供了一个简化的模拟数据集，该数据集显示了随时间变化的用户偏好以及如何使用静态和动态学习算法对其进行评估。该数据集是本研究的一部分，有意使用有限数量的功能进行了仿真，可用于评估不同的问题解决策略。我们将使用静态数据集构建分类器，并在此数据集上评估其性能。我们显示了静态学习者的局限性，这是由于某个时间点的上下文固定，以及如何更改上下文会降低准确性。接下来，我们开发一种新颖的算法来解决情境bandit问题。与线性bandit类似，此算法将奖励映射为上下文向量的函数，但使用一组学习者来刻画动作/手臂之间的差异。我们使用随机梯度下降（SGD）学习器阵列（每条手臂有单独的学习器）开发了一种土匪算法。最后，我们将使用这种上下文盗贼算法来预测不同用户从标准电影镜头数据集中随时间推移的电影收视率，并演示结果。
评论“具有Glauber动力学的社会平衡网络模型中的相变”
原文标题： Comment on `Phase transition in a network model of social balance with Glauber dynamics'
地址： http://arxiv.org/abs/2009.10136
作者： Krzysztof Malarz, Krzysztof Kułakowski (AGH-UST)
摘要： 在最近的工作中[R. Shojaei等人，Physical Review E 100，022303（2019）]作者用数字计算了全连接图中平衡-不平衡相变的临界温度 T_c 。根据他们的发现， T_c 随节点 N 的数量而减少。在这里，我们使用热浴算法计算相同的临界温度。我们显示 T_c 随着 N 增加为 N ^ gamma ，而 gamma 接近0.5或1.0。该值取决于正键的初始分数。
通过多面Rasch测量和多任务深度学习构造区间变量：仇恨语音应用
原文标题： Constructing interval variables via faceted Rasch measurement and multitask deep learning: a hate speech application
地址： http://arxiv.org/abs/2009.10277
作者： Chris J. Kennedy, Geoff Bacon, Alexander Sahn, Claudia von Vacano
摘要： 我们提出了一种通过将监督深度学习与构面Rasch项目响应理论（IRT）的构造措施相结合的方法来测量连续区间谱上的复杂变量的通用方法。我们将目标构造（在我们的情况下为仇恨言论）分解为多个组成成分，这些成分被标记为有序调查项目。这些调查响应通过IRT转换为无偏差的连续结果度量。我们的方法估计了人类标记者的调查解释偏见，并消除了对生成的连续度量的影响。我们进一步评估使用多面IRT的每个贴标机的响应质量，从而可以去除低质量贴标机的响应。我们的多面Rasch尺度程序自然地与多任务深度学习架构集成在一起，可以对新数据进行自动预测。目标结果的理论成分的等级用作神经网络内部概念学习的监督序数变量。我们测试了设计为利用有序结果变量的结构的激活函数（ordinal softmax）和损失函数（ordinal交叉熵）的使用。我们的多任务体系结构导致模型解释的新形式，因为每个连续的预测都可以由倒数第二层的组成部分直接解释。我们在来自YouTube，Twitter和Reddit的50,000个社交媒体评论的数据集上演示了这种新方法，并用11,000名驻美国的Amazon Mechanical Turk工人进行了标记，以测量从仇恨言论到反言语的连续谱。我们评估通用句子编码器，BERT和RoBERTa作为注释文本的语言表示模型，并将我们的预测准确性与Google Jigsaw的Perspective API模型进行比较，显示出在此标准基准基础上的显著改进。
维护在线社会网络的完整性
原文标题： Preserving Integrity in Online Social Networks
地址： http://arxiv.org/abs/2009.10311
作者： Alon Halevy, Cristian Canton Ferrer, Hao Ma, Umut Ozertem, Patrick Pantel, Marzieh Saeidi, Fabrizio Silvestri, Ves Stoyanov
摘要： 在线社会网络提供了一个共享信息和自由表达的平台。但是，这些网络也被用于恶意目的，例如散布错误信息和仇恨言论，出售非法药物以及协调性贩运或对儿童的剥削。本文概述了使在线平台及其用户免受此类伤害（也称为维护完整性问题）的最新技术。这项调查是从必须打击Facebook上广泛的违反诚信行为的角度出发的。我们重点介绍了已在实践中证明有用的技术，值得学术界的更多关注。我们没有讨论许多单独的违规类型，而是确定了社交媒体生态系统的关键方面，每种方面对于各种各样的违规类型都是通用的。此外，这些组件中的每一个都代表着一个研究和开发领域，并且发现的创新可以广泛应用。
在COVID危机期间，美国各城市的在线地理本地化情感：普遍性、政策应对以及与本地流动性的联系
原文标题： Online geolocalized emotion across US cities during the COVID crisis: Universality, policy response, and connection with local mobility
地址： http://arxiv.org/abs/2009.10461
作者： Shihui Feng, Alec Kirkley
摘要： 随着COVID-19大流行开始席卷美国，它在整个人群中引起了在线和离线的广泛反应。为了帮助在这种动荡中开发有效的针对空间的干预措施，重要的是要了解这些在线情绪反应的地理位置以及与离线行为反应的关联。在这里，我们分析了从大流行开始的最初几个月以来，在美国49个城市中大约有1300万条带有地理标记的推文，以评估与几个主要主题相关的在线情感中的区域依赖性，以及这些情感与政策制定和人员流动之间的关系。出乎意料的是，我们观察到了整个研究期间整个城市总体和主题情绪的普遍趋势，其变化主要仅体现在联邦准则和当地封锁政策的直接影响上。我们还发现，这些当地情绪与城市水平的流动性高度相关并具有预测作用，而情绪与当地病例和死亡之间的相关性相对较弱。我们的发现指出，在美国，在线公众对COVID的情感反应在时间上和相对于离线指标均具有普遍性，这与早期本地遏制政策中存在的高度差异形成了鲜明对比。通过整合离线数据，以深入了解公众的情绪反应，政策制定和当地流动性，本研究还提供了在危机管理中使用社交媒体数据的新见解。
从蚂蚁到渔船：有限资源的放牧和开发的简单模型
原文标题： From Ants to Fishing Vessels: A Simple Model for Herding and Exploitation of Finite Resources
地址： http://arxiv.org/abs/2009.10563
作者： José Moran, Antoine Fosset, Alan Kirman, Michael Benzaquen
摘要： 在过去的经验以及当前对船队中其他船只位置的观察影响下，我们分析了这些船只在选择捕鱼地点时所处区域内具有不同母港的渔船的动态。来自安科纳（Ancona）和佩斯卡拉（Pescara）附近船只的经验数据显示，程式化的统计特性让人想起柯曼（Kirman）和弗奥尔默（F “ ollmer）的蚂蚁招募模型，尽管两个港口代表了两个蚁群。区域并没有同样吸引人，他倾向于更靠近他所在的区域，这一证据使我们将原始蚂蚁模型扩展到具有两个不对称区域和有限资源的情况。在田间环境中，我们的模型表现出与经验数据相同的特性，我们获得了一个阶段图，该阶段图将高低放牧方式分开，而且鱼类种群灭绝，我们的分析可能对捕鱼区的生态产生有趣的政策含义。
GraphCrop：用于图分类的子图裁剪
原文标题： GraphCrop: Subgraph Cropping for Graph Classification
地址： http://arxiv.org/abs/2009.10564
作者： Yiwei Wang, Wei Wang, Yuxuan Liang, Yujun Cai, Bryan Hooi
摘要： 我们提出了一种新的方法来规范化图神经网络（GNN），以更好地概括图分类。观察到子结构的遗漏并不一定会改变整个图的类标签，因此我们开发了 textbf GraphCrop（子图裁剪）数据扩充方法来模拟子结构遗漏的实际噪声。原则上，GraphCrop利用节点中心策略从原始图中裁剪连续的子图，同时保持其连通性。通过保留用于图分类的有效结构上下文，我们鼓励GNN从全局意义上理解图结构的内容，而不是依赖于可能并不总是存在的几个关键节点或边。 GraphCrop免费学习参数，并且易于在现有的基于GNN的图分类器中实现。在质量上，GraphCrop通过生成新颖且内容丰富的增强图来扩展现有的训练集，这些图在大多数情况下都保留了原始图的标签。从数量上讲，GraphCrop在多个标准数据集上产生了显著且一致的收益，从而增强了流行的GNN，使其性能胜过基线方法。
当深度强化学习遇到联合学习：5G超密集网络中用于多路访问边缘计算的智能多时标资源管理
原文标题： When Deep Reinforcement Learning Meets Federated Learning: Intelligent Multi-Timescale Resource Management for Multi-access Edge Computing in 5G Ultra Dense Network
地址： http://arxiv.org/abs/2009.10601
作者： Shuai Yu, Xu Chen, Zhi Zhou, Xiaowen Gong, Di Wu
摘要： 超密集边计算（UDEC）潜力巨大，尤其是在5G时代，但它在当前解决方案中仍面临挑战，例如缺乏以下优势：i）有效利用多种5G资源（例如，计算，通信，存储）和服务资源）； ii）低开销的卸载决策和资源分配策略； iii）隐私和安全保护计划。因此，我们首先提出一种智能超密集边计算（I-UDEC）框架，该框架将区块链和人工智能（AI）集成到5G超密集边计算网络中。首先，我们展示框架的架构。然后，为了实现实时和低开销的计算卸载决策和资源分配策略，我们设计了一种新颖的两时标深度强化学习（ 2Ts-DRL）方法，该方法包括快速时标和缓慢时标时标学习过程。主要目标是通过共同优化计算分流，资源分配和服务缓存放置来最大程度地减少总分流延迟和网络资源使用。我们还利用联合学习（FL）以分布式方式训练 2Ts-DRL模型，旨在保护边设备的数据隐私。仿真结果证实了 2Ts-DRL和FL在I-UDEC框架中的有效性，并证明了我们提出的算法最多可将任务执行时间减少31.87％。
通过具有顽固节点的投票模型预测选举结果
原文标题： Forecasting elections results via the voter model with stubborn nodes
地址： http://arxiv.org/abs/2009.10627
作者： Antoine Vendeville, Benjamin Guedj, Shi Zhou
摘要： 在本文中，我们提出了一种仅使用以前的官方结果来预测选举结果的新颖方法。它基于带有顽固节点的选民模型，并使用我们先前工作中开发的理论结果。我们来看英国保守党和工党以及美国共和党和民主党的民意投票份额。我们能够执行模型参数随时间变化的估计，并使用它们来预测任何选举中每一方的投票份额。我们获得的平均绝对误差为4.74％。作为辅助产品，我们的参数估计值可提供有关政治前景的有意义的见解，从而向我们提供强烈赞成和反对考虑的政党的选民人数。
通过稀疏谱分解检测网络中的重叠社区
原文标题： Overlapping community detection in networks via sparse spectral decomposition
地址： http://arxiv.org/abs/2009.10641
作者： Jesús Arroyo, Elizaveta Levina
摘要： 我们考虑估计网络中重叠的社区成员资格的问题，其中每个节点可以属于多个社区。每个节点有多个社区难以估计和解释，因此我们关注稀疏节点成员向量。我们的算法基于具有迭代阈值的稀疏主子空间估计。该方法在计算上是有效的，其计算量等于估计邻接矩阵的前导特征向量，并且与谱聚类方法不同，不需要额外的聚类步骤。我们显示算法的一个固定点对应于随机块模型版本下的正确节点成员资格。在模拟和真实网络上对这些方法进行了经验评估，显示出良好的统计性能和计算效率。
Google的COVID-19社区移动性报告：来自多标准决策的见解
原文标题： Google COVID-19 community mobility reports: insights from multi-criteria decision making
地址： http://arxiv.org/abs/2009.10648
作者： Gabriela Cavalcante da Silvaa, Sabrina Oliveirab, Elizabeth F. Wanner, Leonardo C. T. Bezerra
摘要： 在与新型冠状病毒疾病（COVID-19）的斗争中，社交距离（SD）至关重要。为了帮助进行SD监控，许多技术公司都提供了移动性数据，最突出的例子是Google提供的社区移动性报告（CMR）。鉴于已经从CMR数据中获得了很多见识的广泛研究领域，人们越来越关注如何使用它们的方法论讨论。实际上，谷歌最近发布了自己的准则，涉及场所类别的性质以及校准区域价值的需求。在这项工作中，我们将讨论在多标准决策（MCDM）领域中开发的措施如何使研究人员分析这些数据。具体而言，我们将讨论MCDM中采用的帕累托优势和绩效测度如何使（i）给定时间段的多个类别和（ii）多个时间段的多个类别的移动性评估。我们以经验的方式证明了这些方法在进行地区和国家层面的分析时，都比较了来自不同大陆的一些最相关的暴发实例。
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。