- 在COVID-19大流行期间使用移动性进行电力负荷预测;
- 量化COVID-19错误信息的传播范围和信念;
- 识别BLE广告渠道以实现智能手机上的可靠距离估算;
- 基于IP共现的数字联系跟踪;
- 大流行期间不确定性的核算;
- 2020年冠状病毒大流行期间Wikipedia的高热度合作的定量画像;
- 空的空间甚至也有冠状病毒（两米不是安全距离）;
- Covid-19确诊病例数的机器学习：方法和挑战;
- 考虑社交距离的Covid-19传播网络模型与分析;
- 具有人类自发行为变化的传染病模型的几何奇异摄动理论分析;
- 通过评论对用户进行分析，以获得准确的基于时间的推荐;
- 社会网络中的智能团体活动推荐系统;
- 基于实用程序的图摘要：新研究和改进;
- 处理情绪以进行真实情绪分析;
- NodeNet：用于节点分类的图正则化神经网络;
- 排泄物作为肥料从牧场转移到农田的案例：加泰罗尼亚;
- 使用多重分形时间加权去趋势部分互相关分析，量化受外部因素影响的两个非平稳时间序列的内在幂律互相关性;
- 通过子图同构计数提高图神经网络的表达能力;
在COVID-19大流行期间使用移动性进行电力负荷预测
原文标题： Using Mobility for Electrical Load Forecasting During the COVID-19 Pandemic
地址： http://arxiv.org/abs/2006.08826
作者： Yize Chen, Weiwei Yang, Baosen Zhang
摘要： 新型冠状病毒（COVID-19）大流行给全球的公用事业和电网运营商带来了前所未有的挑战。在这项工作中，我们专注于负荷预测问题。受到严格的社会疏远限制，世界范围内的功耗分布已经发生了变化，幅度和日用模式也有所变化。这些变化在短期负荷预测中造成了很大的困难。通常，算法使用天气，时间信息和以前的消费水平作为输入变量，但是它们无法捕获大流行期间社会经济行为的重大变化和突然变化。在本文中，我们将流动性作为经济活动的一种度量方法，以补充现有的预测算法构建模块。流动性数据可以很好地代表在实施和随后放松社会疏远措施期间的人口行为。这种数据集的主要挑战是，只有有限的流动性记录与最近的大流行相关。为了克服这一小数据问题，我们设计了一种转移学习方案，该方案可以在多个不同地理区域之间进行知识转移。这种架构利用了这些地区的多样性，所得到的汇总模型可以提高每个地区日前预测中的算法性能。通过对美国和欧洲地区的仿真，我们证明了我们提出的算法可以比传统的预测方法高出三倍以上。此外，我们演示了如何使用建议的模型来预测如何根据不同的移动性场景恢复电力消耗。
量化COVID-19错误信息的传播范围和信念
原文标题： Quantifying the Reach and Belief in COVID-19 Misinformation
地址： http://arxiv.org/abs/2006.08830
作者： Sophie Nightingale, Marc Faddoul, Hany Farid
摘要： 全球COVID-19大流行导致社交媒体引发的错误信息和阴谋急剧增加，给我们的社会和健康带来危险的后果。我们量化了与COVID-19相关的错误信息的覆盖范围和信念，揭示了令人困扰的错误信息的广度和深度，这是高度偏执的。
识别BLE广告渠道以实现智能手机上的可靠距离估算
原文标题： Identifying the BLE Advertising Channel for Reliable Distance Estimation on Smartphones
地址： http://arxiv.org/abs/2006.09099
作者： Christian Gentner, Daniel Günther, Philipp H. Kindt
摘要： 为了应对2020年全球COVID-19激增的情况，许多国家/地区已经实施了锁定政策或在家中使用政策。但是，如果可以确定每个感染患者的联系人，则可以减少病毒传播的数量，同时可以减轻更为尖锐的措施。为此，使用智能手机进行联系人跟踪被认为是一种有前途的技术。在这里，智能手机会发出并扫描低功耗蓝牙（BLE）信号，以检测范围内的设备。当检测到设备时，可通过评估其接收信号强度来估计其距离。用于距离估计的主要见解是信号的衰减随其传播的距离而增加。但是，除了距离以外，还有许多其他因素会影响衰减，从而影响距离估计。其中，选频硬件和信号传播属于最重要的硬件。例如，BLE设备在三个不同的频率（信道）上发送信标，而发送功率和接收器灵敏度则取决于频率。结果，即使距离保持恒定，每个通道的接收信号强度也会变化。但是，智能手机无法获得有关已收到信标的哪个无线信道的信息。因此，该误差不能例如通过校准来补偿。在本文中，我们首次提供了一种解决方案，用于检测智能手机上已接收到数据包的无线信道。我们在多种不同的智能手机型号上实验性地评估了我们提出的技术。我们的结果有助于通过提高距离估计的准确性来使联系人跟踪更加可靠。
基于IP共现的数字联系跟踪
原文标题： Digital Contact Tracing Using IP Colocation
地址： http://arxiv.org/abs/2006.09326
作者： Matthew Malloy, Aaron Cahn, Jon Koller
摘要： 可以使用网络或图表来模拟传染病在人群中的传播。在数字广告中，互联网设备图是图数据集，用于组织由手机，PC，电视和平板电脑访问互联网上的媒体所产生的标识符。由于具有巨大的规模，它们已经成为无处不在的产品，因为它们能够实现有针对性的广告，内容定制和跟踪。本文认为，互联网设备图，特别是基于IP托管的设备图，可以在预测和建模传染病传播方面提供重要的实用工具。从2020年3月16日那一周开始，在美国，由于COVID-19大流行，全国各地的学校和工作场所关闭，许多人开始“就地庇护”。本文通过研究订单生效之前和之后的数量，对有超过十亿个节点的大规模Internet设备图上的就地避难所订单的影响进行了量化。效果清晰可见。该图的结构表明，在2020年4月12日至19日之间发生在美国的行为最不利于感染的传播。本文还讨论了设备图在以下方面的作用：i）接触追踪，ii）预测“热点”，iii ）模拟传染病的传播，以及iv）向潜在暴露的个人提供基于广告的警告。本文还提出了一个首要问题：数字广告生态系统中的实体聚集的系统和数据集是否可以帮助对抗COVID-19？
大流行期间不确定性的核算
原文标题： Accounting for Uncertainty During a Pandemic
地址： http://arxiv.org/abs/2006.08745
作者： Jon Zelner, Julien Riou, Ruth Etzioni, Andrew Gelman
摘要： 我们讨论了最近和正在进行的冠状病毒研究中出现的一些统计设计，数据收集，分析，沟通和决策问题，重点是评估和传播不确定性的工具。本文并非旨在对研究文献进行全面的综述；相反，我们使用示例来说明我们认为重要的统计点。
2020年冠状病毒大流行期间Wikipedia的高热度合作的定量画像
原文标题： A Quantitative Portrait of Wikipedia's High-Tempo Collaborations during the 2020 Coronavirus Pandemic
地址： http://arxiv.org/abs/2006.08899
作者： Brian C. Keegan, Chenhao Tan
摘要： 2020年的冠状病毒大流行是历史性的社会破坏，在全球范围内都产生了严重的后果。维基百科是免费提供的，由同行制作的百科全书，具有在当前事件之后创建和修改内容的显著能力。本研究使用134,337名编辑的973,940份修订，至4,238篇文章，以“定量肖像”的形式考察了英语维基百科对2020年前五个月对冠状病毒大流行的反应动态，以三个层次的分析描述了新兴的协作行为：文章修订，编辑人员的贡献和网络动态。在多个数据源，定量方法和分析级别中，我们发现四个一致的主题是Wikipedia独特的大规模，高速和临时在线协作的特征：外部事件作为活动的驱动力，活动的溢出，复杂的编辑参与模式，以及未来的阴影。鉴于人们越来越关注在线社交平台控制其用户行为和内容的能力，我们从维基百科的冠状病毒合作中识别出在危机期间提高社会技术系统的弹性的含义。
空的空间甚至也有冠状病毒（两米不是安全距离）
原文标题： Not even the air of empty spaces is coronavirus free (Two meters is not a safe distance)
地址： http://arxiv.org/abs/2006.08823
作者： Edilson Crema
摘要： 卫生当局鼓励避免SARS-CoV-2扩散的一项关键安全措施是人与人之间的距离为一到两米。推荐的两米距离主要是基于短距离传染，当讲话，咳嗽或打喷嚏时被感染的水滴被驱逐并直接击中另一个人时。由于液滴在空中悬浮数小时而造成的危险的呼吸道污染形式几乎已被忽略。但是，这项工作进行的理论计算，最近的实验以及在这种流行病和其他流行病中积累的知识表明，由于是空气传播，因此无论在室内还是在露天场所，与冠状病毒之间都没有安全距离。最近的研究已经证实，不仅在悬浮在空气中的小滴中存在冠状病毒，而且这些病毒可以保持活跃数小时。此外，这种传播方式的重要间接证据是当前疫情在巴西各地区之间传染性的巨大差异。尽管亚马逊州的污染率大于20％，但在该州的南部州，尽管北部地区温度很高，但污染率仍不到1％。尽管这些地区之间存在社会和经济差异，但似乎林木空气的极高湿度延长了外部环境中滴液中病毒的存活时间。我们的理论计算解释了最近流行病学研究的经验观察结果，并加强了在整个人群中不仅需要使用口罩而且还需要使用防护眼镜的方式，这与卫生专业人员必须使用的方式相同。此外，我们的计算结果表明空调和供暖系统如何增加传染性。最后，我们提出了可以减少大流行蔓延的措施。
Covid-19确诊病例数的机器学习：方法和挑战
原文标题： The Number of Confirmed Cases of Covid-19 by using Machine Learning: Methods and Challenges
地址： http://arxiv.org/abs/2006.09184
作者： Amir Ahmada, Sunita Garhwal, Santosh Kumar Ray, Gagan Kumar, Sharaf J. Malebary, Omar Mohammed Omar Barukab
摘要： Covid-19是全世界有史以来最大的健康挑战之一。公共卫生政策制定者需要将来对确诊病例进行可靠的预测，以规划医疗机构。机器学习方法从历史数据中学习，并对事件进行预测。机器学习方法已用于预测Covid-19确诊病例的数量。在本文中，我们对这些研究论文进行了详细介绍。我们提供了一个分类法，将它们分为四个类别。我们进一步提出了该领域的挑战。我们为机器学习从业人员提供建议，以改善机器学习方法的性能，以预测Covid-19确诊病例。
考虑社交距离的Covid-19传播网络模型与分析
原文标题： Network model and analysis of the spread of Covid-19 with social distancing
地址： http://arxiv.org/abs/2006.09189
作者： Parul Maheshwari, Réka Albert
摘要： 对Covid-19大流行的第一个缓解措施是尽可能限制人与人之间的互动。这是由于许多工作场所的临时关闭而实施的，人们必须遵循社会隔离原则。网络是表示人与人之间的互动以及这些互动的暂时切断的一种好方法。在这里，我们提出了可能是疾病传播媒介的人与人互动网络模型。该网络的节点是个人，不同类型的边表示家庭集团，工作场所互动，由基本需求引起的互动和社会互动。每个人都可以处于四种状态之一：易感，感染，免疫和死亡。网络和疾病参数由有关Covid-19的现有文献提供。使用此模型，我们可以在各种缓解方案存在的情况下模拟传染病的传播。例如，通过删除表示不必要交互的边来实现锁定。通过在传播的不同阶段匹配基本和有效的复制数量，我们用真实数据验证了模拟结果。我们还通过在设施缓慢打开时改变传输速率来模拟缓慢解除锁定的可能性，但是人们会采取诸如戴口罩等预防措施。我们对每种情况中第二波感染的可能性和强度进行了预测场景。
具有人类自发行为变化的传染病模型的几何奇异摄动理论分析
原文标题： Geometric Singular Perturbation Theory Analysis of an Epidemic Model with Spontaneous Human Behavioral Change
地址： http://arxiv.org/abs/2006.09237
作者： Stephen Schecter
摘要： 我们考虑了Piero Poletti和合作者提供的模型，该模型将自然的人类行为变化添加到标准SIR流行病模型中。 Poletti模型以最简单的形式在SIR模型中增加了一个基于演化博弈论的微分方程。新方程式描述了变量 x 的演化，该变量代表使用正常行为的总体比例。其余的 1-x 使用改变的行为，例如待在家里，社交隔离，戴口罩等。当传染物数量少时，正常行为会带来更高的回报。当数字很大时，改变的行为会带来更高的回报。我们表明，几何奇异摄动理论的进出函数可用于分析模型，在该模型中行为的变化时间比流行病快得多。尤其是，只要其他行为的收益更高，行为就不会改变。目前的行为是粘滞的。进入行为预测的行为改变之前的延迟。
通过评论对用户进行分析，以获得准确的基于时间的推荐
原文标题： User Profiling from Reviews for Accurate Time-Based Recommendations
地址： http://arxiv.org/abs/2006.08805
作者： Oznur Alkan, Elizabeth Daly
摘要： 推荐系统是一种使用户参与系统，增加参与度并向他们展示可能没有找到的资源的宝贵方法。一个重大挑战是用户的兴趣可能随时间而变化，并且某些项目具有固有的时间方面。结果，推荐系统应尝试考虑时间相关的用户-项目关系。但是，用户资料的时间方面可能并不总是明确可用，因此我们可能需要从可用资源中推断出此信息。诸如Amazon之类的网站上的产品评论代表了宝贵的数据源，可以理解为什么有人购买了某商品以及潜在地为谁买东西。然后，可以使用此信息来构建动态用户配置文件。在本文中，我们演示了如何利用评论提取时间信息来推断用户的 年龄类别偏好，并利用此功能生成与时间相关的推荐。考虑到年龄和时间的可预测且不断变化的性质，我们证明，与现有技术相比，使用此动态方面生成的建议可带来更高的准确性。在评论中挖掘与时间相关的内容可以使推荐者超越寻找相似的项目或用户，从而潜在地预测用户的未来需求。
社会网络中的智能团体活动推荐系统
原文标题： An Intelligent Group Event Recommendation System in Social networks
地址： http://arxiv.org/abs/2006.08893
作者： Guoqiong Liao, Xiaomei Huang, Neal N. Xiong, Changxuan Wan
摘要： 在个人推荐系统中，上下文的重要性已得到广泛认可。但是，基于事件的社会网络（EBSN）中大多数现有的小组推荐模型都集中在如何汇总小组成员的偏好以形成小组偏好上。在这些模型中，考虑了上下文对组的影响，但仅以手动方式定义，因此无法对上下文和组之间的复杂而深入的交互进行建模。在本文中，我们提出了EBSN中基于注意力的上下文感知组事件推荐模型（ACGER）。 ACGER通过多层神经网络对上下文对用户，组和事件的深刻非线性影响进行建模。尤其是，设计了一种新颖的注意力机制，以使上下文对用户/组的影响权重随相关事件而动态变化。考虑到群体可能具有与群体成员完全不同的行为模式，我们建议需要从间接和直接的角度（分别称为间接偏好和直接偏好）获得群体的偏好。为了获得间接偏好，我们提出了一种基于注意力机制的偏好集合方法。与现有的预定义策略相比，该方法可以根据小组关注的事件灵活地调整策略。为了获得直接偏好，我们采用神经网络直接从群体事件交互中学习。此外，为了充分利用EBSN中丰富的用户事件交互，我们将上下文感知的个人推荐任务集成到ACGER中，从而提高了学习用户嵌入和事件嵌入的准确性。对来自Meetup的两个真实数据集的大量实验表明，我们的模型ACGER明显优于最新模型。
基于实用程序的图摘要：新研究和改进
原文标题： Utility-Based Graph Summarization: New and Improved
地址： http://arxiv.org/abs/2006.08949
作者： Mahdi Hajiabadi, Jasbir Singh, Venkatesh Srinivasan, Alex Thomo
摘要： 图挖掘的一个基本挑战是数据集的大小不断增加。图汇总旨在找到一种紧凑的表示形式，从而实现更快的算法并减少存储需求。图摘要的另一面是实用性的丧失，从而降低了其可用性。我们在本文中解决的关键问题是：（1）如何在不损失实用性的情况下总结图表？ （2）如何总结一个图表，该图表的实用性有所降低，但超过了用户指定的阈值？ （3）如何在不进行图重建的情况下查询图摘要？我们还旨在通过仅使用消费级机器有效地处理Web级图来使图摘要可用于大众。先前的作品存在概念上的局限性和缺乏可扩展性。在这项工作中，我们做出了三个关键贡献。首先，我们提出了一种基于群体和独立集合分解的效用驱动的图汇总方法，该方法可产生显著的压缩效果，而效用为零。在无损图汇总方面，提供的压缩效果明显优于最新技术，而运行时间则降低了两个数量级。其次，我们针对有损情况提出了一种高度可扩展的算法，该算法放弃了妨碍先前工作的昂贵的迭代过程。我们的算法通过结合内存减少技术和新颖的二进制搜索方法来实现这一目标。与竞争对手相比，随着效用阈值（和摘要的大小）的减小，我们能够在一台机器上处理网络规模的图而不会影响性能。第三，我们证明了我们的图摘要可以按原样用于回答几个重要的查询类，例如三角形枚举，Pagerank和最短路径。这与其他工作以增量方式重建原始图以回答查询的工作相反，因此产生了额外的时间成本。
处理情绪以进行真实情绪分析
原文标题： Manipulating emotions for ground truth emotion analysis
地址： http://arxiv.org/abs/2006.08952
作者： Bennett Kleinberg
摘要： 文本数据正被用作一个镜头，通过它可以大规模地研究人类的认知。诸如情感分析之类的方法现在已成为计算社会科学家的标准工具包，但通常依赖具有未知有效性的第三人称注释。作为替代方案，本文介绍了来自实验行为研究的在线情感诱导技术，作为基于文本的情感分析方法。从随机分配给快乐，中性或悲伤状态的参与者收集文本数据。这些发现支持情绪诱导程序。然后，我们研究了词典方法如何很好地恢复诱发的情感。所有方法导致真实情绪条件之间的统计差异。总体而言，基于文本的测量仅能捕获多达三分之一的情绪差异。预训练的分类器在检测真实情绪方面表现不佳。本文最后提出了局限性和对未来研究的建议。
NodeNet：用于节点分类的图正则化神经网络
原文标题： NodeNet: A Graph Regularised Neural Network for Node Classification
地址： http://arxiv.org/abs/2006.09022
作者： Shrey Dabhi, Manojkumar Parmar
摘要： 现实世界的事件表现出高度的相互依存和联系，因此生成的数据点也继承了这种联系。但是，大多数AI / ML技术都忽略了数据点之间的联系。最近对基于图的AI / ML技术的兴趣激增，旨在利用这些链接。基于图的学习算法有效地利用数据和相关信息来构建高级模型。神经图学习（NGL）是一种这样的技术，它利用具有改进的损失函数的传统机器学习算法来利用图结构中的边。在本文中，我们提出了一个使用NGL-NodeNet的模型来解决引文图的节点分类任务。我们讨论了我们的修改及其与任务的相关性。我们进一步将我们的结果与当前的技术水平进行比较，并调查NodeNet具有卓越性能的原因。
排泄物作为肥料从牧场转移到农田的案例：加泰罗尼亚
原文标题： Transfer of Manure as Fertilizer from Livestock Farms to Crop Fields: The Case of Catalonia
地址： http://arxiv.org/abs/2006.09122
作者： Andreas Kamilaris, Andries Engelbrecht, Andreas Pitsillides, Francesc X. Prenafeta-Boldu
摘要： 集约化畜牧生产大量的动物粪便，可能对环境造成负面影响，如果管理不当，可能会使附近的水体受到过多的养分污染。但是，如果将动物粪便出口到附近的农田用作有机肥料，则可以减轻污染。在寻找通过牲畜粪便满足作物营养需求的物流过程的最佳解决方案方面，这是一个单目标优化问题。本文提出了三种解决问题的方法：集中优化算法（COA），基于蚂蚁觅食行为的分散自然启发式协作技术（AIA）以及基于幼稚的基于邻居的方法（NBS） ，它构成了今天在加泰罗尼亚以临时，不协调的方式使用的现有实践。结果表明，COA方法的效率比AIA高8.5％。但是，友邦保险的方法对农民来说更公平，并且在每个牲畜农民需要覆盖的平均运输距离方面更加平衡，而效率比国家统计局高1.07倍。我们的工作构成了在这个群体智能方法仍未得到充分利用的领域中，将分散式AIA首次应用到此有趣的现实问题的方法。
使用多重分形时间加权去趋势部分互相关分析，量化受外部因素影响的两个非平稳时间序列的内在幂律互相关性
原文标题： Multifractal temporally weighted detrended partial cross-correlation analysis to quantify intrinsic power-law cross-correlation of two non-stationary time series affected by common external factors
地址： http://arxiv.org/abs/2006.09154
作者： Bao-Gen Li, Dian-Yi Ling, Zu-Guo Yu
摘要： 当公共因素强烈影响复杂的自然和社会系统中记录的两个相互关联的时间序列时，如果我们使用多重分形趋势互相关分析（MF-DXA），而未考虑这些公共因素，则结果将有偏差。基于我们小组提出的多重分形时间加权去趋势互相关分析（MF-TWXDFA）和钱等人提出的多重分形部分互相关分析（MF-DPXA），我们提出了一种新的方法-多重分形时间加权去趋势化本文采用偏互相关分析（MF-TWDPCCA）来量化受共同外部因素影响的两个非平稳时间序列的内在幂律互相关。我们通过消除其他潜在时间序列的影响，使用MF-TWDPCCA来表征两个同时记录的时间序列之间的固有互相关。为了测试MF-TWDPCCA的性能，我们将MF-TWXDFA和MF-DPXA应用于模拟系列。人工模拟序列的数值测试表明，MF-TWDPCCA可以准确检测两个同时记录的序列的内在互相关。为了进一步显示MF-TWDPCCA的效用，我们将其应用于股票市场的时间序列，发现股票收益之间存在明显的多重分形幂律互相关。定义了新的部分互相关系数以量化两个时间序列之间的固有互相关水平。
通过子图同构计数提高图神经网络的表达能力
原文标题： Improving Graph Neural Network Expressivity via Subgraph Isomorphism Counting
地址： http://arxiv.org/abs/2006.09252
作者： Giorgos Bouritsas, Fabrizio Frasca, Stefanos Zafeiriou, Michael M. Bronstein
摘要： 尽管图神经网络（GNN）在各种应用中均取得了显著成果，但最近的研究暴露了它们捕获基本图结构的能力方面的重要缺陷。研究表明，标准GNN的表达能力受到Weisfeiler-Lehman（WL）图同构测试的限制，从中继承了公认的局限性，例如无法检测和计数图子结构。另一方面，有大量的经验证据，例如在网络科学和生物信息学中，子结构通常可以为下游任务提供信息，这表明希望设计出能够利用这一重要信息源的GNN。为此，我们提出了一种基于子图同构计数的新颖的拓扑感知消息传递方案。我们证明了我们的体系结构允许合并特定于域的归因偏差，并且它比WL测试严格地更具表现力。重要的是，与最近有关GNN的表现力的研究相反，我们不尝试遵循WL层次结构。这使我们能够保留标准GNN的多个吸引人的特性，例如局部性和线性复杂性，同时甚至能够消除图同构的困难实例。我们对图分类和回归任务进行了广泛评估，并在包括分子图和社会网络在内的多个数据集上显示了最新技术成果。
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。