- 差分隐私及其在社会网络分析中的应用：综述;
- 基于图像的社会感知：将AI和众包结合挖掘Twitter的政策遵守指标;
- 赫格曼·克劳斯动力学;
- 传播和干预策略的COVID-19接触图流行病建模;
- 流行病学的时变SI模型及其在Covid-19中的应用;
- 图神经网络的传播模型搜索;
- Kermack和McKendrick SIR微分方程的精确解;
- 随机采样效果优于手动数字接触跟踪;
- 社会网络中高阶交互的时间特性;
- 通过随机化实现最大化影响力的公平性;
差分隐私及其在社会网络分析中的应用：综述
原文标题： Differential Privacy and Its Applications in Social Network Analysis: A Survey
地址： http://arxiv.org/abs/2010.02973
作者： Honglu Jiang, Jian Pei, Dongxiao Yu, Jiguo Yu, Bei Gong, Xiuzhen Cheng
摘要： 差分隐私可以有效地共享信息并有力地保护隐私。由于社会网络分析已在许多应用中被广泛采用，因此它为差分隐私的应用打开了一个新的舞台。在本文中，我们提供了全面的调查，将差分隐私的基本原理和在社会网络分析中的应用联系在一起。我们简要介绍了差分隐私的基础和主要变体，并讨论了差分隐私如何应用于社会网络分析，包括社会网络中的隐私攻击，社会网络分析中的差分隐私类型以及一系列热门任务，例如度分布分析，子图计数和边权重。我们还将讨论未来研究的一系列挑战。
基于图像的社会感知：将AI和众包结合挖掘Twitter的政策遵守指标
原文标题： Image-based Social Sensing: Combining AI and the Crowd to Mine Policy-Adherence Indicators from Twitter
地址： http://arxiv.org/abs/2010.03021
作者： Virginia Negri, Dario Scuratti, Stefano Agresti, Donya Rooein, Amudha Ravi Shankar, Jose Luis Fernandez Marquez, Mark James Carman, Barbara Pernici
摘要： 社交媒体提供了大量信息，如果适当地进行汇总和分析，它们可以为决策者提供重要的统计指标。在某些情况下，无法通过其他机制获得这些指标。例如，鉴于持续发生的COVID-19疫情，政府必须获得可靠的政策遵守数据，以了解口罩的佩戴，社会隔离和其他难以衡量的数量。在本文中，我们研究了是否可以通过汇总发布到社交媒体上的图像中的信息来获取此类数据。将图像识别技术的最新进展与地理编码和众包技术相结合，以构建基于图像的社会感知的管道。我们的目的是发现人们在哪些国家/地区以及在何种程度上遵循了与COVID-19相关的政策指令。我们将结果与ICL和YouGov（CovidDataHub）在Covid-19行为跟踪器计划中产生的指标进行了比较。初步结果表明，社交媒体图像可以为决策者提供可靠的指标。
赫格曼·克劳斯动力学
原文标题： Hegselmann Krause Dynamics
地址： http://arxiv.org/abs/2010.03050
作者： Hsin-Lun Li
摘要： 对于典型的Hegselmann Krause模型，每个主体通过平均取其邻居的意见来更新其意见。混合Hegselmann Krause模型涵盖同步和异步Hegselmann Krause模型。主体商可以决定在每个时间步骤中玩固执或开放态度的程度。持相同意见的主体可以在下一个步骤离开。 Delta平衡可能不存在，或无法在有限的时间内达到。该研究旨在讨论在什么情况下主体商会达成共识或他们的观点是渐近稳定的。
传播和干预策略的COVID-19接触图流行病建模
原文标题： Contact Graph Epidemic Modelling of COVID-19 for Transmission and Intervention Strategies
地址： http://arxiv.org/abs/2010.03081
作者： Abby Leung, Xiaoye Ding, Shenyang Huang, Reihaneh Rabbany
摘要： 2019年冠状病毒病（COVID-19）大流行已迅速成为近年来未见的全球性公共卫生危机。众所周知，人类接触网络的结构在传播性疾病的传播中起着重要的作用。在这项工作中，我们研究了COVID-19 CGEM的结构感知模型。如果我们假设接触网络是一个鄂尔多斯-仁义（ER）图，即每个人都以相同的概率与其他人接触，则该模型将类似于流行病学中基于经典隔室的模型。相比之下，CGEM更具表现力，可以插入实际的联系网络，或者更实际的主体网络。此外，CGEM可以对执行和发布不同的非药物干预（NPI）策略进行更精确的建模。通过一组广泛的实验，我们证明了假设不同的基础结构时，流行曲线之间的显著差异。更具体地说，我们证明基于隔离专区的模型高估了感染传播的3倍，并且在对合规因子的一些现实假设下，低估了某些NPI的有效性，对其他NPI进行了误判（例如，预测更高的峰值） ，并低估了重新开放后第二个高峰的规模。
流行病学的时变SI模型及其在Covid-19中的应用
原文标题： Time-dependent SI model for epidemiology and applications to Covid-19
地址： http://arxiv.org/abs/2010.03097
作者： L. Arturo Urena-Lopez, Alma X. Gonzalez-Morales
摘要： 易感性模型的一般化包括与时间有关的传播速率，这导致了逻辑函数方面的紧密分析表达式。该解决方案可以应用于选择用来描述传输速率随时间变化的任何连续函数。从Covid-19的真实数据中汲取灵感，对于累积的确诊阳性和死亡病例，我们提出了一种具有两个自由参数的指数衰减透射率，一个为初始振幅，另一个为衰减率。然后将所得的时间相关的SI模型（在额外条件下恢复标准Gompertz功能形式）与来自所选国家/地区的数据进行比较，并使用贝叶斯推论拟合其参数。我们对已确认阳性和死亡的渐近数量进行预测，并根据我们对传播速率的参数化讨论每个国家的疾病可能演变。
图神经网络的传播模型搜索
原文标题： Propagation Model Search for Graph Neural Networks
地址： http://arxiv.org/abs/2010.03250
作者： Yuhui Ding, Quanming Yao, Tong Zhang
摘要： 本文提出了一种用于图神经网络（GNN）的新型神经架构搜索（NAS）框架。我们设计了一个富有表现力的搜索空间，重点关注GNN的常见和关键组成部分-传播模型。具体来说，我们搜索传播矩阵以及传播步骤之间的联系。我们的搜索空间涵盖了各种图类型，例如齐次图，异构图，并且可以自然地扩展到高维推荐系统和时空数据。我们提出了一种基于采样的单发NAS算法，以有效地搜索适当的传播模式。在三种不同情况下的大量实验用于评估所提出的框架。我们表明，通过我们的框架获得的模型的性能要优于最新的GNN方法。此外，我们的框架可以发现异构图中的可解释的元图。
Kermack和McKendrick SIR微分方程的精确解
原文标题： Exact solution of the Kermack and McKendrick SIR differential equations
地址： http://arxiv.org/abs/2010.03253
作者： Piet Van Mieghem
摘要： 介绍了Kermack和McKendrick SIR方程的几个精确展开以及上下界。
随机采样效果优于手动数字接触跟踪
原文标题： Stochastic sampling effects favor manual over digital contact tracing
地址： http://arxiv.org/abs/2010.03399
作者： Marco Mancastroppa, Claudio Castellano, Alessandro Vezzani, Raffaella Burioni
摘要： 隔离有症状的个体，以及追踪和测试其无症状的接触，是在药物干预可用之前缓解当前COVID-19大流行的一项基本策略。传染链的中断取决于两种主要的替代策略：基于访谈的手动重建联系人或基于数字（基于应用程序）的隐私保护的联系人跟踪协议。我们在相同的框架中比较了活动驱动模型中这两种策略的有效性，该模型是一个经过网络验证的通用经验验证框架。使用量身定制的用于描述SARS-CoV-2扩散的模型参数，我们表明，即使在跟踪联系人的可能性相同的情况下，手动联系人跟踪在提高流行阈值方面也比数字协议更有效地执行，从而限制了疫情的高度流行高峰，减少了孤立的人的数量。即使考虑到手动过程的固有延迟和有限的可扩展性，这仍然是正确的。根据对感染个体的联系进行逐例手动重建过程中发生的随机抽样来解释此结果，这与数字跟踪的固有预先安排特性形成对比，后者是由是否采用每个个体的应用程序决定的。主体行为的异类功能增强了手动跟踪的更好性能：不采用该应用程序的超级传播者对于数字联系人跟踪是完全不可见的，而由于她有多个联系人，可以手动对其进行跟踪。我们的结果表明，将两种本质上不同的协议进行仔细集成，将其作为最佳缓解策略的关键。
社会网络中高阶交互的时间特性
原文标题： Temporal properties of higher-order interactions in social networks
地址： http://arxiv.org/abs/2010.03404
作者： Giulia Cencetti, Federico Battiston, Bruno Lepri, Márton Karsai
摘要： 通过记录人们的身体接近度和方向，可以通过实验检测出本地环境中的人类社会互动。这样的交互，近似于面对面的交流，可以有效地表示为时变的社会网络，并且随着时间的推移不断创建和破坏链接。时态网络的传统分析主要解决了成对交互，其中链接描述了个人之间的二元关系。但是，许多网络动力学很难归因于成对设置，而是经常包含较大的组，这可以通过更高阶的交互来更好地描述。在这里，我们通过分析在不同社会环境中收集的三个可公开获得的数据集，来研究时间社会网络的高级组织。我们发现，高阶交互是普遍存在的，并且类似于它们的配对配对，其特征是异构动力学，具有突发性的快速重复的高阶事件的火车，它们之间长时间不活动。我们通过观察不同高阶结构之间的过渡速率来研究组的演化和形成。我们发现，在更自发的社会环境中，群体的特征是形成和分解的速度较慢，而在工作环境中，这些现象更为突然，可能反映了预先组织的社会动力。最后，我们观察到时间上的加强表明，一组人在一起的时间越长，将来相同的交互模式持续的可能性就越高。我们的发现表明，在调查人类时间动态时，考虑社会互动的更高层次结构的重要性。
通过随机化实现最大化影响力的公平性
原文标题： Fairness in Influence Maximization through Randomization
地址： http://arxiv.org/abs/2010.03438
作者： Ruben Becker, Gianlorenzo D'Angelo, Sajjad Ghobadi, Hugo Gilbert
摘要： 影响力最大化范式已被各个领域的研究人员用来研究信息如何在社会网络中传播。尽管以前的注意力主要集中在效率上，但最近在此范围内已考虑到公平性问题。在本文中，我们建议使用随机化作为实现公平的手段。与先前的类似Fish等人的著作相似。 （WWW '19）和Tsang等。 （IJCAI '19），我们研究了（群体）公平性的最大化准则。但是，与他们的工作相反，我们以以下方式对问题进行建模：选择种子集时，可能使用概率策略，而不仅仅是确定性策略。我们介绍了此概率问题的两种不同变体，一种是在节点上涉及概率策略（基于节点的问题），另一种是在节点集上涉及概率策略（基于集合的问题）。有趣的是，虽然显示出包含最大值准则的原始确定性问题是不可近似的，但我们证明，这两种概率变量都允许近似算法实现1-1 / e的恒定乘法因子，以及由于模拟信息传播。对于一项实验研究，我们为这两个问题提供了乘权例程，并将获得的公平值与现有方法进行比较。也许不出所料，我们证明了所计算的概率策略的事前值明显大于先前方法的事后公平值。这表明通过随机研究公平性是值得遵循的途径。有趣的是，也许更令人惊讶的是，我们观察到，即使是由我们的例程计算出的事后公平性值，在大多数测试实例上也要比以前方法所达到的公平性高。
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。