- 网络中的模块性和互信息：一枚硬币的两面;
- 从销售数据中提取互补品和替代品：网络视角;
- 多视图图卷积网络的多任务表示学习;
- 动态网络上的COVID-19疫苗接种策略;
- 距离和频率旅行限制对疾病传播的综合作用;
- 随时间变化的SIRD模型的灵活滚动回归框架：在COVID-19中的应用;
- 易感感染恢复（SIR）模型下复杂网络中节点的预期影响能力的估计;
- 图论和网络理论用于犯罪网络分析;
- 用于无监督网络社区检测的递归图神经网络算法;
- 个人生产力与幸福-2021年新工作未来报告第二章;
网络中的模块性和互信息：一枚硬币的两面
原文标题： Modularity and Mutual Information in Networks: Two Sides of the Same Coin
地址： http://arxiv.org/abs/2103.02542
作者： Yongkang Guo, Zhihuan Huang, Yuqing Kong, Qian Wang
摘要： 社区结构是许多网络的重要特征。刻画社区结构的最流行方法之一是使用定量方法，模块化，它既可以用作比较不同社区检测算法的标准基准，又可以用作检测社区的优化目标。以前有关模块化的工作主要集中在用于最大化模块性的近似方法上，以检测社区或对定义进行较小的修改。在本文中，我们从信息论的角度研究模块化，并表明网络中的模块化和互信息本质上是相同的。主要的贡献是，我们开发了一系列广义的模块化度量，f-Modularity，其中包括原始的模块化作为特例。在较高的级别上，我们显示出社区结构的重要性等同于网络中包含的信息量。一方面，f-Modularity具有信息论的解释，并且享有互信息测度的期望属性。另一方面，量化社区结构还提供了一种方法来估计具有较大值空间但仅给出有限样本的离散随机样本之间的互信息。我们演示了在相对一般的情况下优化f-Modularity的算法，并通过在模拟网络上的实验结果对其进行了验证。我们还将f-Modularity应用于实际的市场网络。我们的研究结果桥接了两个重要领域，即复杂网络和信息论，也为将来社区结构措施的设计提供了启示。
从销售数据中提取互补品和替代品：网络视角
原文标题： Extracting Complements and Substitutes from Sales Data: A Network Perspective
地址： http://arxiv.org/abs/2103.02042
作者： Yu Tian, Sebastian Lautz, Alisdiar Wallis, Renaud Lambiotte
摘要： 产品之间的互补性和可替代性是零售和营销中必不可少的概念。从质量上讲，如果客户可以用一种产品替换另一种产品，则可以说两种产品是可替代的，而如果它们倾向于一起购买，则它们是互补的。在本文中，我们从网络的角度来帮助自动识别销售交易数据中的补充和替代。从具有交易节点和产品节点的两方产品购买网络表示形式开始，我们开发适当的空模型来推断产品之间的重要关系，无论是互补还是替代，并基于随机游走设计度量以量化其重要性。然后使用社区检测方法分析产品之间产生的单方网络，以便为不同类型的关系找到相似产品的组。通过将来自实际购物篮数据集的观察结果与现有产品层次结构以及大规模调味料化合物和配方数据集相结合，对结果进行验证。
多视图图卷积网络的多任务表示学习
原文标题： Multi-Task Representation Learning with Multi-View Graph Convolutional Networks
地址： http://arxiv.org/abs/2103.02236
作者： Hong Huang, Yu Song, Yao Wu, Jia Shi, Xia Xie, Hai Jin
摘要： 链路预测和节点分类是网络表示学习的两个重要的下游任务。现有方法已经取得了可接受的结果，但是它们分别执行这两项任务，这需要大量的工作重复，并且忽略了任务之间的相关性。此外，常规模型遭受多视图信息的相同处理，因此它们无法学习用于下游任务的鲁棒表示。为此，本文通过多任务多视图学习同时解决了链路预测和节点分类问题。我们首先说明针对这两个任务的多任务多视图学习的可行性和优势。然后，我们提出了一个名为MT-MVGCN的新型模型，以同时执行链路预测和节点分类任务。更具体地说，我们设计了一个多视图图卷积网络以提取网络中多个视图的大量信息，这些信息由不同的任务共享。我们进一步应用两种关注机制：视图关注机制和任务关注机制，以使视图和任务调整视图融合过程。此外，可以将视图重建作为辅助任务引入，以提高所提出模型的性能。对真实网络数据集的实验表明，我们的模型既有效又有效，并且在这两项任务中均优于高级基准。
动态网络上的COVID-19疫苗接种策略
原文标题： COVID-19 vaccination strategies on dynamic networks
地址： http://arxiv.org/abs/2103.01957
作者： Quoc Huy Nguyen, Jessica Liebig, Md Shahzamal, Bernard Mans, Raja Jurdak
摘要： 由SARS-CoV-2引起的冠状病毒病（COVID-19）已成为全球公共卫生关注的焦点。为了阻止这种疾病的迅速蔓延，世界上很大一部分需要接种疫苗。除了优先考虑人群中易受感染的人群之外，基于学位的理想接种策略还使用细粒度的联系网络来优先考虑疫苗接种者。由于需要大量的特定联系信息，因此该策略既昂贵又不切实际。它也不能刻画间接的饥荒或基于气溶胶的传播。我们最近提出了一种新的疫苗接种策略，称为基于个人运动的疫苗接种（IMV），该策略考虑了直接和间接传播，并基于人们参观的地点的类型。事实证明，IMV在类似流感的疾病中具有成本效益。本文使用已记录的传输参数研究IMV在COVID-19中的应用。我们基于城市范围内的经验流动性数据集进行大规模计算机模拟，以评估该策略的性能和实用性。结果表明，所提出的策略达到了随机疫苗接种效率的近五倍，并且与基于程度的策略相当，同时显著降低了数据收集需求。
距离和频率旅行限制对疾病传播的综合作用
原文标题： The combined role of distance and frequency travel restrictions on spread of disease
地址： http://arxiv.org/abs/2103.02009
作者： Cate Heine, Kevin P. O'Keeffe, Paolo Santi, Li Yan, Carlo Ratti
摘要： 出行限制经常被用来作为对抗疾病传播的一种手段-特别是，它们在2020年被广泛应用于2019年冠状病毒疾病（COVID-19）。然而，如何最好地限制旅行尚不清楚。大多数研究和政策只是限制了个人可能从其家中或邻居出行的距离。但是，流行病的风险不仅与行进的距离有关，而且还与接触的频率有关，而接触的频率则由个人在给定参考期内重访位置的频率f所代表。受到最近的文献的启发，该文献揭示了关于r和f在常规人类活动中如何相互作用的清晰普遍性模式，本文提出了以下问题：r和f之间的这种普遍关系是否会延续到流行病的传播，因此与人类活动相关的风险可以用一个统一的变量rf建模吗？为了回答这个问题，我们使用两个大规模的个人移动性数据集来模拟疾病的传播。结果表明，在流行病的传播范围内确实存在r和f之间的普遍关系：在两个数据集中，受感染种群的最终大小和空间分布直接取决于乘积rf而不是单个值。的r和f。这里的重要含义是，限制r（可以去的地方）而不限制f（可以多久一次）可能是徒劳的：到附近位置的高频率旅行与到远处的低频旅行一样，对疾病传播也具有危险。这种违反直觉的发现可能解释了基于距离的出行限制的适度有效性，并可能为将来的COVID-19和其他流行病政策提供依据。
随时间变化的SIRD模型的灵活滚动回归框架：在COVID-19中的应用
原文标题： A Flexible Rolling Regression Framework for Time-Varying SIRD models: Application to COVID-19
地址： http://arxiv.org/abs/2103.02048
作者： Javier Rubio-Herrero, Yuchen Wang
摘要： 本文介绍了一种数据驱动的框架，用于描述在COVID-19情况下SIRD模型的时变性质。通过在混合整数双层非线性规划问题中嵌入滚动回归，我们的目标是为研究社区提供一个模型，该模型可以准确地再现观察到的感染，康复和死亡病例数的变化，同时提供有关时间依赖性的信息。控制SIRD模型的参数。我们提出此优化模型和遗传算法来解决其解决方案。此外，我们使用明尼苏达州的2020年COVID-19数据对该算法进行了测试，发现我们的结果在质量和数量上都是一致的，从而证明所提出的框架是描述大流行病动态的有效灵活工具。
易感感染恢复（SIR）模型下复杂网络中节点的预期影响能力的估计
原文标题： Estimating the Expected Influence Capacities of Nodes in Complex Networks under the Susceptible-Infectious-Recovered (SIR) Model
地址： http://arxiv.org/abs/2103.02324
作者： Aybike Şimşek
摘要： 近年来，复杂网络中的流行病建模已发现了许多应用程序，包括对在线社会网络中传播的信息或八卦进行建模，对传播网络中传播的恶意软件进行建模以及最新的COVID-19大流行模型。例如，如果所传播的信息是准确的，则希望使其分布最大化，而如果它是谣言或病毒，则应使其传播最小。在这种情况下，确定最大化或最小化传播的超级扩展器非常重要。最近，用于检测超级传播者的研究获得了发展。进行的大多数研究旨在使用网络集中度度量来区分特定传播模型（例如SIR）下节点的影响，然后对节点进行相应排名。但是，在这项研究中，我们开发了一种算法，该算法可以在流行的SIR模型下近似估计节点的预期影响。通过考虑SIR模型的行为以及仅考虑节点之间的最短路径，该算法根据此近似值对节点进行排名。我们开发的算法被称为期望值估计（EVE）。我们在实际数据集上使用不同的SIR设置，将EVE的性能与许多当前众所周知的集中度测量的性能进行了比较。实验研究表明，EVE的解决方案质量（排序能力）优于其竞争对手。
图论和网络理论用于犯罪网络分析
原文标题： Graph and Network Theory for the analysis of Criminal Networks
地址： http://arxiv.org/abs/2103.02504
作者： Lucia Cavallaro, Ovidiu Bagdasar, Pasquale De Meo, Giacomo Fiumara, Antonio Liotta
摘要： 社会网络分析是使用网络和图论研究社会现象的方法，发现它在犯罪学等领域具有高度相关性。本章概述了可用于犯罪网络分析的关键方法和工具，这些方法和工具将在实际案例研究中介绍。从可用的法律行为开始，我们提取了两个西西里黑手党氏族内犯罪嫌疑人之间的互动数据，获得了两个加权无向图。然后，我们研究了这些权重在犯罪网络属性上的作用，重点关注两个关键特征：权重分布和最短路径长度。我们还提出了一个旨在构建反映犯罪行为的人工网络的实验。为此，我们使用了一些最流行的人工网络模型对实际犯罪网络之间进行了比较度分布分析：Watts-Strogatz，Erd H o sR 'e nyi和Barab ' a si-Albert，具有一些拓扑变化。对于希望在自己感兴趣的领域中使用社会网络分析的研究人员，本章将是一个有价值的工具。
用于无监督网络社区检测的递归图神经网络算法
原文标题： Recurrent Graph Neural Network Algorithm for Unsupervised Network Community Detection
地址： http://arxiv.org/abs/2103.02520
作者： Stanislav Sobolevsky
摘要： 网络社区检测通常依赖于优化分区质量功能，例如模块化。这种优化似乎是一个传统上依赖离散启发法的复杂问题。尽管可以将问题重新表述为连续优化，但是标准优化方法的直接应用在克服众多局部极值方面的效率有限。但是，深度学习的兴起及其在图中的应用提供了新的机会。虽然图神经网络已用于网络上的有监督和无监督学习，但尚未探索它们在模块化优化中的应用。本文提出了一种递归图神经网络算法的新变体，用于通过模块化优化实现无监督的网络社区检测。将新算法的性能与流行的快速Louvain方法以及作者最近提出的效率更高但速度较慢的Combo算法进行了比较。该方法还可以作为递归图神经网络在无监督网络优化中的广泛应用的概念验证。
个人生产力与幸福-2021年新工作未来报告第二章
原文标题： Personal Productivity and Well-being -- Chapter 2 of the 2021 New Future of Work Report
地址： http://arxiv.org/abs/2103.02524
作者： Jenna Butler, Mary Czerwinski, Shamsi Iqbal, Sonia Jaffe, Kate Nowak, Emily Peloquin, Longqi Yang
摘要： 现在，我们转向理解COVID-19对信息工作者的个人生产力和福祉的影响，因为他们的工作实践受到远程工作的影响。本章概述了人们的生产力，满意度和工作模式，并显示了远程工作所带来的挑战和收益是紧密相连的。展望未来，围绕工作的基础设施将需要发展，以帮助人们适应远程和混合工作的挑战。
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。